.avif)
Som den første titelsponsor af Team Visma | Lease a Bike støtter vi ikke kun holdet, men kombinerer også vores innovative løsninger med deres enestående præstationer for at skabe værdi. Med hjælp fra Visma-virksomheden SureSync bruger vi maskinlæring til at forbedre holdets præstationer gennem appen The Athlete's FoodCoach.
Vigtigheden af ernæring i professionel cykling
Ifølge holdet forbrænder Tour de France-cyklister gennemsnitligt 6.000–10.000 kalorier dagligt. Korrekt ernæring er afgørende for at sikre, at atleterne har den rette energi før, under og efter hvert løb. For Grand Tours – inklusive Giro d'Italia, Tour de France og Vuelta a España – der kan vare op til tre uger, er ernæring en topprioritet.
Team Visma | Lease a Bike tilskriver fremragende ernæringsprognoser som en nøgelfaktor i at gøre dem til et af de bedste cykelhold i verden. Med andre ord stoler de stærkt på præcise estimater for kalorieforbrug for at styre deres ernæringsindtag – en proces understøttet af vores avancerede ernæringsprognosemodel integreret med appen The Athlete’s FoodCoach.
Vidste du? Under Grand Tours rejser Team Visma | Lease a Bike med en dedikeret kok, ernæringsekspert og en specielt indrettet bus til at opbevare nødvendige ingredienser. Under disse store løb spiser rytterne typisk morgenmad, snacks under løbet, to restitutionsmåltider, aftensmad, en aftensnack og nogle gange endda et måltid inden løbet!
Revolutionering af kalorieforudsigelser med maskinlæring
I verdenen af professionel cykling, hvor hvert sekund tæller, og uforudsigelige elementer kan påvirke løbet, er det afgørende at have præcise og rettidige ernæringsdata. Tidligere var forberedelsen af rytteres kalorieestimater en besværlig, manuel opgave, der krævede justeringer på grund af uforudsete forhold som ændringer i vejret og taktiske skift, der påvirker rytternes energiforbrug på løbsdage. Vi besluttede at tage denne udfordring op og gøre livet lettere for både trænere og professionelle cyklister. Her tilkaldte vi SureSync-teamet fra Visma, specialister i dataudveksling, for at innovere og forbedre processen med automatisering.
Sammen udviklede vi en avanceret maskinlæringsløsning, der fundamentalt transformerede vurderingerne af energibehov. Vi fokuserede på at forbedre præcisionen af disse estimater, gøre processen mere effektiv og mindre belastende for teamet. Ernæringsforudsigelsesmodellen – som vandt prisen Data & AI Innovator of the Year 2024 ved Dutch IT Channel Awards – omdefinerer, hvad der er muligt i professionel cykling.
Kernen i denne innovation er den præcise estimering af den samlede wattage, der kræves under løb. Wattage, i denne sammenhæng, refererer til den kraftoutput, som cyklister producerer, målt i watt. Det er en kritisk indikator for den energi, en atlet udøver, og er essentiel for at fastslå deres samlede energibehov gennem hver løbsdag. For eksempel, under en stejl stigning, kan en cyklist have brug for at opretholde en effekt på 400 watt for at opretholde konkurrencedygtig hastighed, mens samme cyklist på fladt terræn måske kun behøver 250 watt. Forståelsen af disse udsving er afgørende for at skræddersy ernærings- og energistrategier. Derfor satte vi os for at udvikle et system til at opnå meget præcise wattage-estimater.
Hvordan fungerer modellen?
Cyklerne er udstyret med præstationssporing enheder, der registrerer vigtige parametre såsom tilbagelagt distance og højdeforøgelse. Krankmonterede effektmålere giver præcise målinger af watt, hvilket muliggør nøjagtige beregninger af forbrændte kalorier. TCX-filer, der formaterer dataudveksling mellem fitnessenheder, indeholder GPS-koordinater, som giver indsigt i løbets profil, inklusive afstand og stigning.
Eksterne faktorer, såsom vejrforhold, er kritiske komponenter, der påvirker rytterens præstation. Systemet integrerer GPS-data med vejrudsigter for at vurdere vindforhold, adskiller mellem medvind, der hjælper, og udfordrende modvind. Disse vindfaktorer kan betydeligt påvirke en rytters energiforbrug.
Dataene behandles og visualiseres ved hjælp af en avanceret analyseplatform. Forarbejdning fjerner støj, såsom utilsigtede enhed data, og sikrer nøjagtighed. Nøglevariabler (inklusiv effekt, energi og højde) justeres for let sammenligning. En superviseret læringsmodel baseret på en random forest-algoritme, valgt for sin evne til at håndtere komplekse data, giver præcise estimater for watt.
Denne model forudsiger cyklisternes kaloribehov med 90% nøjagtighed, hvilket er en betydelig forbedring i forhold til traditionelle manuelle estimeringsmetoder, der havde en nøjagtighed på 52%. Ved at bruge modellen kan trænere få adgang til resultater på et splitsekund, hvilket sparer tid og forbedrer præstationsstrategier markant.
Hvordan vi hjælper holdet med at blive ved med at vinde!
De højpræcise forudsigelser fra vores maskinlæringsmodel er integreret i The Athlete’s FoodCoach-appen, der omdanner rå data til skræddersyede ernæringsplaner for atleter. Den afstemmer fødeindtaget med energibehov, tager hensyn til atletprofiler, løbsdagens krav og forhold for at optimere ydeevne og restitution. Hver madplan er tilpasset cyklistens behov, hvilket sikrer den rette balance for energiopfyldning og præstation.
Denne databaserede tilgang gør det muligt for trænere og atleter at fokusere på strategi frem for manuelle justeringer. The Athlete’s FoodCoach-appen letter kontinuerlig forbedring, hvilket er afgørende for at forblive konkurrencedygtig i professionel cykling. Og sådan hjælper vi holdet med at blive ved med at vinde!
Er du interesseret i at forbedre din ernæring? The Athlete’s FoodCoach-appen er også tilgængelig for dig i Apple App Store og Google Play, og kan hjælpe dig med at komme i gang med præstationsernæring, tabe sig samtidig med at opretholde energi eller udvikle skræddersyede ernæringsstrategier for personlige fitnessmål eller store løb.
.avif)
