Trainingsperiodisierung mit Machine Learning: konkrete Beispiele für Radfahrer
5 Min. Lesezeit
Konkrete Beispiele, wie Machine Learning Radfahrern bei Periodisierung, Wochenplanung, Mikrozyklen und Erholungsentscheidungen helfen kann.
Auf dieser Seite
Photo by Lucas Canino on Unsplash.
Machine Learning kann deine Trainingsperiodisierung unterstützen, wenn saubere Daten klare Entscheidungen tragen.
Dieser Text zeigt konkrete, vorsichtige Beispiele für Radfahrer, nicht fertige Heilsversprechen. Für physiologische Aussagen bleibt die Evidenzlage entscheidend; die verlinkte PubMed-Suche ist der Ausgangspunkt für vertiefende Literatur.
Machine Learning sucht Muster in Zeitreihen, etwa zwischen Leistung, Trainingslast, Schlaf und subjektiver Erholung. Es sagt dir nicht automatisch, was wahr ist, sondern zeigt, welche Signale zusammen auftreten.
Für die Praxis zählt daher nicht das Modell an sich, sondern die Entscheidung danach. Ein gutes System macht deine Dosis-Wirkungs-Beziehung im Training sichtbarer, ohne jede Schwankung zu überdeuten.
Nutze Machine Learning als zweite Sicht auf dein Training, nicht als Ersatz für Trainingslehre. Wenn Daten fehlen oder schlecht gepflegt sind, bleibt die Aussage eng und vorläufig.
Sammle Leistung, Puls, Schlaf und subjektive Erholung gleichbleibend.
Trenne Trainingsziel, Datenlage und Modellvorschlag klar voneinander.
Prüfe jede Änderung im Wochenrhythmus, nicht nach jeder Fahrt.
Behandle Ausreißer als Hinweis, nicht als Urteil.
So bleibt Machine Learning ein Werkzeug für klare Entscheidungen, nicht eine neue Quelle für Zweifel.
In N+One terms: ML ordnet Signale; du triffst die Entscheidung.
Photo by David Hellmann on Unsplash.
Ein einfaches Modell kann prüfen, ob dein Leistungstrend und deine Erholungsdaten zur geplanten Woche passen. Wenn beide Signale stabil wirken, kann der Plan nah am Ziel bleiben.
Wirkt der Leistungstrend flach und der Schlaf schwach, ist der nächste Schritt nicht mehr Druck. Dann hältst du die Schlüsseleinheiten knapp, senkst aber den Umfang für einige Tage.
Das passt besonders gut, wenn du bereits mit Leistungsmesser fährst und deine Trainingsbereiche aus aktuellen Daten ableitest. Die Entscheidung bleibt bewusst konservativ, weil Schlafdaten und Leistungsmessung Messfehler tragen können.
Lege zuerst eine einfache Basislinie für Leistung und Schlaf fest.
Halte harte Einheiten, wenn Leistung und Erholung gemeinsam stabil sind.
Senke Umfang, wenn mehrere Erholungssignale schwach wirken.
Ändere nie viele Stellschrauben in derselben Woche.
In N+One terms: Behalte Intensität, reduziere Umfang kurzfristig bei anhaltenden Erholungsdefiziten.
ML kann Periodisierungsentscheidungen datengetrieben unterstützen, bleibt aber ergänzend zur Trainingswissenschaft.
Datenanalyse ist kostenlos, für immer. Der Dynamic Coach ist Pro. Verbunden mit Garmin, Strava, Whoop und intervals.icu.
Im Spätherbst stehen oft letzte Rennen, Gran Fondos oder der Wechsel in den Grundlagenblock an. Ein Modell kann helfen, harte und leichte Wochen sauberer um diese Termine zu legen.
Der Kern bleibt klassisch: Belastung, Entlastung und ein ruhigerer Vorbereitungsblock vor einem Zielrennen. Machine Learning kann zeigen, ob deine jüngsten Fahrten eher Frische oder verdeckte Müdigkeit nahelegen.
Wenn du zwischen polarisierten und pyramidal geprägten Wochen wechselst, muss das Modell den Zweck der Woche kennen. Sonst liest es nur Datenpunkte, aber nicht den Trainingskontext.
Markiere Zielrennen früh im Kalender.
Ordne jede Woche einem klaren Zweck zu.
Verschiebe harte Blöcke, wenn mehrere Erholungssignale schwach sind.
Prüfe Modellvorschläge vor Rennen besonders streng.
So schützt du den Zweck der Woche, während Daten die Feinanpassung führen.
Nicht jeder Fahrer reagiert gleich schnell auf ähnliche Trainingsreize. Ein Modell kann über längere Zeit zeigen, welche Art von Belastung bei dir oft mit besseren Leistungswerten zusammenfällt.
Das ist kein Beweis für Ursache und Wirkung. Es ist aber ein nützlicher Filter, wenn Fortschritt stockt und du zwischen mehr Umfang, anderer Intensität oder mehr Erholung wählen musst.
Gerade dann hilft ein Blick auf Performance-Trends ohne Tagesrauschen. Dein Ziel ist nicht, jede Woche besser zu wirken, sondern den nächsten sinnvollen Block sauber zu wählen.
Bewerte Trends über längere Zeiträume, nicht einzelne Fahrten.
Vergleiche ähnliche Trainingsblöcke mit ähnlichen Zielen.
Nutze subjektive Erholung als eigenes Signal.
Plane Fortschritt langsamer, wenn Erholung oft nachläuft.
In N+One terms: Deine Schwellenleistung ist nicht weg; deine Erholungsfaktoren haben sich verschoben.
Eine sachliche E-Mail mit Trainingsimpulsen und Produktupdates. Kein Spam — jederzeit abmeldbar.
Weiterlesen
- Intervall-Erkennung: Wie die KI deine unstrukturierten Einheiten liest — Intervall-Erkennung liest Leistung, Herzfrequenz und Tempo aus freien Einheiten. So prüfst du KI-Ergebnisse und leitest den nächsten Trainingsschritt...
- Trainingsbereitschaft: Optimiere deine nächste Einheit — Nutze Trainingsbereitschaft—HRV, Ruheherzfrequenz, Schlaf und subjektives Befinden—um zu entscheiden, wann du pushst und wann du ruhst. Praxisnahe, w...
- Trainingsjahr planen: 12-monatige Periodisierungs-Vorlage — Plane dein Trainingsjahr mit einer 12-monatigen Periodisierungs-Vorlage: Vorbereitung, Aufbau, Wettkampf/Peak, Übergang und ein klarer nächster Schri...
Für den Einstieg brauchst du kein tiefes neuronales Netz. Ein lineares Modell, ein Entscheidungsbaum oder ein Random Forest kann oft klarer zeigen, warum ein Vorschlag entsteht.
Komplexe Modelle wie LSTM oder Reinforcement Learning klingen reizvoll, brauchen aber dichte, saubere Daten und sorgfältige Prüfung. Ohne diese Basis liefern sie leicht scheinbar genaue, aber schwach begründete Vorschläge.
Für viele Radfahrer ist eine adaptive Anpassung statt fixer Pläne der bessere erste Schritt. Erst wenn einfache Regeln stabil helfen, lohnt sich mehr Modellkomplexität.
Starte mit einem einfachen, erklärbaren Modell.
Dokumentiere, warum ein Vorschlag entsteht.
Teste neue Regeln zuerst rückblickend an alten Daten.
Steigere Komplexität nur bei klarem Nutzen.
Deine Pipeline muss nicht groß sein. Wichtig ist, dass Leistung, Trainingslast, Schlaf, HRV und Notizen in einem einheitlichen Format landen.
Fehlende Werte, Gerätewechsel und manuelle Einträge sind oft wichtiger als der Algorithmus selbst. Wenn die Datenbasis springt, lernt das Modell den Gerätebruch mit.
Speichere personenbezogene Daten geschützt und prüfe, welche Dienste Zugriff erhalten. Wenn du die Analyse vereinfachen willst, kann eine automatische Fahrtanalyse mit Kontext die Rohdaten vorordnen.
Halte Datenquellen über mehrere Wochen stabil.
Kennzeichne Gerätewechsel und Krankheitstage deutlich.
Speichere persönliche Trainingsdaten nur geschützt.
Prüfe Vorschläge wöchentlich von Hand.
Woche 0 — Vorbereitung: Sammle verfügbare historische Daten zu Leistung, Schlaf, HRV, Trainingslast und subjektiver Erholung. Richte einen wiederholbaren Export aus deinen Trainings- und Wearable-Daten ein.
Woche 1 — Basislinie: Führe einen kurzen, gut ausgeruhten Leistungstest oder eine vergleichbare Standortbestimmung durch. Lege fest, welche Erholungssignale du jede Woche prüfst.
Woche 2 — Einfache Regel: Lass ein simples Modell oder eine Tabelle einen Wochenvorschlag machen. Prüfe ihn manuell und senke den Umfang für einige Tage, wenn Erholung und Leistung gemeinsam schwach wirken.
Woche 3 — Validierung: Vergleiche Vorschlag, tatsächliche Einheiten und subjektives Gefühl. Notiere, ob das Modell zu vorsichtig, zu hart oder hilfreich war.
Woche 4 — Nächster Block: Behalte Regeln, die klar halfen, und streiche Regeln, die nur Rauschen erzeugten. Plane den nächsten Trainingsblock mit einem klaren Ziel und einer engen Prüfspur.
Der klare nächste Schritt: Sammle vier Wochen lang Leistung, Trainingslast, Schlaf, HRV und Erholungsnotizen, nutze eine einfache Regel für Umfangsanpassungen und prüfe jede Woche, ob der Vorschlag zum Trainingsziel passt.
Nein. Gute Trainingslehre bleibt die Basis. Machine Learning hilft vor allem, Muster in vielen Datenquellen schneller zu sehen und Entscheidungen sauberer zu prüfen.
Nur begrenzt. Modelle können Trends und Zusammenhänge zeigen, aber sie ersetzen keine sauberen Tests, keinen Kontext und keine fachliche Prüfung.
Starte mit Leistung, Trainingslast, Schlaf, HRV und einer kurzen subjektiven Erholungsnotiz. Wenige stabile Datenquellen sind besser als viele lückenhafte Signale.
Wähle die vorsichtigere Entscheidung und dokumentiere den Fall. Ein Widerspruch ist ein Lernsignal für dein System, kein Grund für blinden Gehorsam.