训练单调性是什么？Foster 公式与有界评分怎么对照

训练单调性衡量最近七天每日负荷有多相似。对照经典 Foster 公式与 Trainingload.ai 的有界评分、训练压力，避免把高分误读成伤病或过度训练预警。

**训练单调性（Monotony）**用于描述最近 7 个日历日的每日负荷有多相似。每日负荷越接近，单调性通常越高；高低日、低负荷日和休息日带来的变化越明显，单调性通常越低。

Trainingload.ai 显示的是一个经过归一化的有界版本，范围和经典 Foster 单调性不同。它描述负荷数字的分布，不直接测量疲劳、恢复、过度训练、伤病概率或训练质量。

Monotony

示例数值仅用于界面预览。

Monotony 的数值来源

Trainingload.ai 使用从今天到六天前的 7 个每日负荷值：

每项活动先按照负荷来源优先级选出一个负荷值。
同一天多项活动的负荷相加。
没有记录活动的日期按零负荷计算，而不是从窗口中删除。
活动缺失、重复、阈值变化或负荷来源变化都会改变每日序列，进而改变 Monotony。

Monotony 只看到每天最终的负荷数字。它不会识别这些负荷来自跑步、骑行、游泳还是力量训练，也不会判断课程内容是否合理。

Trainingload.ai 使用的公式

首先取包含今天在内的最近 7 个日历日：

loads = [
  daily_load_today,
  daily_load_1_day_ago,
  ...,
  daily_load_6_days_ago
]

mean_load = sum(loads) / 7
sd_load = sqrt(sum((load − mean_load)²) / 7)

这里的 sd_load 是这 7 个数值的总体标准差。然后计算：

monotony = mean_load / (sd_load + mean_load)

如果 sd_load + mean_load = 0，说明七天负荷全部为零，产品返回 monotony = 0。

Trainingload.ai 还基于同一窗口计算训练压力（Training Strain）：

total_load = sum(loads)
training_strain = total_load × monotony / 0.5

产品会把 Monotony 和 Training Strain 保留两位小数用于显示。

与经典 Foster 公式的区别

经典 Foster 单调性通常写作：

foster_monotony = mean_load / sd_load
foster_strain = total_load × foster_monotony

经典值没有上限；当每天负荷完全相同时，标准差为零，结果会趋向无穷。Trainingload.ai 使用 mean_load / (sd_load + mean_load) 避免除以零，并把非零训练周的结果限制在 0 到 1 之间。

当均值和标准差都大于零时，两种单调性的关系是：

trainingload_monotony = foster_monotony / (1 + foster_monotony)

因此，Trainingload.ai 的 0.8 不能与经典 Foster 指标中的 2.0 直接比较；产品的 Training Strain 也不是经典 Foster Strain。

如何理解数值

对于非负每日负荷：

七天全部为零：产品返回 0，表示没有可用于分析的近期训练负荷。
只有一天有负荷：Monotony 约为 0.29，是 7 天窗口内非常集中的负荷分布。
每天正负荷完全相同：Monotony 为 1，表示每日负荷数字没有变化。
介于两者之间：数值越高，通常表示每日负荷相对越接近。

低值不一定更好。一次很大的负荷尖峰加六个零负荷日也会产生较低 Monotony，但这不代表训练结构健康。高值也不等于受伤或过度训练；它只说明最近七天的每日负荷数字较为接近。

界面分段如何使用

Client 当前使用以下分段：

界面分段	产品边界	可以确定的模型关系
较低	`< 0.6`	每日负荷相对变化较明显，或负荷集中在少数日期。
中等	`0.6–0.8`	每日负荷的相似程度处于中间范围。
较高	`> 0.8`	每日负荷数字相对接近。

这些边界是产品显示规则，不是经过个体化验证的健康、安全或伤病风险阈值。七天全部为零时的特殊值 0 也不应被解读为“训练结构优秀”。