補正の仕組み

関数 f(d) = a + b × e^(-d/c) は、距離が長くなるにつれて減少します。10km以上のレースでは、指数項がゼロに近づき、f(d) ≈ a となります。

短距離（5K）から予測する場合、f(D1) は f(D2) より大幅に大きくなるため、比率が1を超えます。その結果、より保守的な（遅い）マラソンタイムが予測されます。これは、5Kのパフォーマンスがマラソンに必要な有酸素持久力よりも、VO2maxやスピードに依存している現実を反映しています。

中距離（10K）から予測する場合、補正は小さくなります。10Kはすでに優れた有酸素運動の指標であるため、キャメロンは少し楽観的なマラソン予測を提供します。

例

10Kを42:00で走った場合、マラソンの予測タイムはどうなるでしょうか？

f(10) = 0.000495 + 0.000985 × e^(-10/1.4485) ≈ 0.000496

f(42.2) ≈ 0.000495 (exponential ≈ 0)

T2 = 2520 × (42.195/10) × (0.000496/0.000495)

T2 ≈ 10,666 s ≈ 2:57:46

リーゲルでは同じ入力で約3:13:00となります。約15分の差があります。

キャメロン vs リーゲル — 使い分け

既知 → 目標	キャメロン	リーゲル	差
5K (20:00) → 10K	42:24	41:41	+43秒（キャメロンの方が保守的）
5K (20:00) → Marathon	2:59:23	3:11:49	−12分（キャメロンの方が楽観的）
10K (42:00) → Marathon	2:57:46	3:13:00	−15分（キャメロンの方が楽観적）

どちらの公式も地形、トレーニング履歴、当日のコンディションは考慮されていません。あくまで目安としてご利用ください。

Cameron式：いつ、どのように使うか

1997年にDave Cameronが開発したCameron式は、既知の距離に基づいて変化する指数補正係数を使用してレースタイムを予測します。固定指数を使用するRiegelのアプローチとは異なり、Cameronは出発点となる距離が短い場合に大きな補正を適用します。

実際には、Cameronは短い成績から長いレースを予測する場合（例：5Kからマラソン）に通常Riegelより保守的で、中程度の距離からの予測ではわずかに楽観的です。CalcpaceのPrediktorは両方を並行して実行し、比較できるようにします。

どちらの式も普遍的により正確というわけではありません—どちらも既知の制限を持つ経験的モデルです。2つの結果の範囲を目標タイムの信頼区間として扱うのが最善です。

仕組みについて

RiegelではなくCameronを使うべき状況はいつですか？

短い成績から長いレースを予測する場合、特に5Kからマラソンを予測する際にCameronを使用してください。このシナリオでCameronがより保守的なのは、5Kがマラソンに必要な有酸素持久力よりもスピード重視であることを考慮しているためです。

どちらの式がより正確ですか？

どちらも普遍的に優れているわけではありません。両方とも大規模なレースデータベースから導出され、距離-速度関係の異なる側面を捉えています。実際の精度は努力の質、コースプロファイル、トレーニングの特異性によって異なります。

ウルトラマラソンにこれらの予測を使用できますか？

いいえ—両方の式はマラソンまでのロードレースデータでキャリブレーションされました。ウルトラ距離では栄養、睡眠、地形、精神的な強靭さが支配的であり、これらはペースベースの式では考慮されません。

キャメロンの公式