指标 (Metrics)PMC（表现管理图）
长期训练负荷（CTL）
把 CTL 理解为较长期训练负荷的慢速模型，并掌握 Trainingload.ai 使用的公式、合理比较方式和解释边界。
长期训练负荷（CTL）
**长期训练负荷（CTL）**是每日训练负荷的慢速指数平均，用于概括进入模型的较长期负荷历史。它不直接测量体能、适应、健康或比赛表现。
界面可能沿用 PMC 的常见术语，把 CTL 标记为体能（Fitness）。实际解读时应理解为模型化的较长期负荷上下文。
CTL
示例数值仅用于界面预览。
哪些数据进入 CTL
Trainingload.ai 会先根据可用活动负荷和你配置的来源优先级，确定每日负荷。具体活动和设置不同，依据可能来自功率、心率、配速或整节训练 RPE。
这意味着：
- 来源数据缺失或变化会改变序列。
- 修改阈值或负荷来源优先级，可能改变活动派生负荷和后续 PMC 数值。
- 混用不一致来源会降低两个周期的可比性。
- 某天没有记录负荷时，每日输入为零，先前 CTL 会逐渐衰减。
跨不同设置比较 CTL 前，先阅读训练负荷。
Trainingload.ai 使用的公式
Trainingload.ai 使用标准指数移动平均平滑因子，CTL 默认周期为 42 天：
λ_CTL = 2 / (42 + 1)
CTL_today = daily_load × λ_CTL + CTL_yesterday × (1 − λ_CTL)42 天控制曲线平滑程度，不是到第 43 天就突然丢弃数据的硬窗口。近期负荷影响更大，较早负荷逐渐衰减。
怎样阅读趋势
- CTL 上升：近期每日负荷整体高于当前 CTL 水平。
- CTL 稳定：近期负荷大致维持模型水平。
- CTL 下降：近期负荷整体低于它，包括减量或减少训练阶段。
应把斜率与产生它的活动及计划周期对照。两个相同 CTL 可能来自不同运动、强度分布、负荷来源和课程结构。
适合回答的问题
CTL 可以帮助回答：
- 数周尺度的模型负荷是在构建、维持还是下降？
- 漏训或恢复周期是否改变了较长期趋势？
- 当前计划是否产生预期负荷方向？
- 阈值或来源变化是否破坏了可比性？
CTL 无法单独回答：
- 运动员是否已经成功适应？
- 明天的高强度课程是否安全？
- 运动员是否恢复、健康或达到比赛准备状态？
- 一个运动员是否比另一个更强？
做决策前，还要结合表现趋势、课程完成质量、主观状态，以及 ATL和 TSB。
避免通用目标
不存在适用于所有人的“好 CTL”、安全周增长值或理想业余范围。绝对数值取决于负荷标尺、运动类型、来源、历史长度和个人训练上下文。从其他运动员或平台复制固定目标并不是可靠处方。
应使用自己以一致方式计算的历史。斜率突然变化时，检查来源活动和计划，不要只根据 CTL 诊断风险。
验证 CTL 解释
- 运动类型和日期范围与问题一致。
- 比较周期内活动负荷来源和阈值保持一致。
- 来源活动已经就绪，且没有明显重复或传感器错误。
- 结论描述负荷方向，没有把未测量的适应或准备度写成事实。
- 计划决策同时考虑近期负荷、执行和主观上下文。