보정 원리

함수 f(d) = a + b × e^(-d/c)는 거리가 길어질수록 값이 감소합니다. 약 10km 이상의 모든 레이스에서 지수 항은 0에 가까워지며 f(d) ≈ a가 됩니다.

단거리(5K)에서 예측할 때 f(D1)은 f(D2)보다 상당히 크기 때문에 비율이 1을 초과하게 됩니다. 결과적으로 더 보수적인(더 느린) 마라톤 시간이 예측됩니다. 이는 5K 성과가 마라톤에 필요한 유산소 지구력보다 VO2max와 속도에 더 많이 의존한다는 현실을 반영합니다.

중거리(10K)에서 예측할 때 보정값은 작습니다. 10K는 이미 좋은 유산소 지표이기 때문에 Cameron은 약간 더 낙관적인 마라톤 추정치를 제공합니다.

예시

10K를 42:00에 달렸다면 마라톤 예측 기록은 어떻게 될까요?

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

Riegel은 동일한 입력에 대해 약 3:13:00를 제공합니다. 약 15분의 차이가 납니다.

Cameron vs Riegel — 사용 시점

기존 → 목표	Cameron	Riegel	차이
5K (20:00) → 10K	42:24	41:41	+43초 (Cameron이 더 보수적)
5K (20:00) → Marathon	2:59:23	3:11:49	-12분 (Cameron이 더 낙관적)
10K (42:00) → Marathon	2:57:46	3:13:00	-15분 (Cameron이 더 낙관적)

두 공식 모두 지형, 훈련 이력 또는 경기 당일 컨디션은 고려하지 않습니다. 확신보다는 참고용으로 사용하세요.

Cameron 공식: 언제, 어떻게 사용하는가

1997년 Dave Cameron이 개발한 Cameron 공식은 알려진 거리를 기반으로 변하는 지수 보정 계수를 사용하여 레이스 시간을 예측합니다. 고정 지수를 사용하는 Riegel과 달리 Cameron은 출발 거리가 짧을 때 더 큰 보정을 적용합니다.

실제로 Cameron은 짧은 기록에서 긴 레이스를 예측할 때(예: 5K에서 마라톤) 보통 Riegel보다 보수적이며, 적당한 거리에서 예측할 때는 약간 더 낙관적입니다. Calcpace 예측기는 둘을 병렬로 실행하여 비교할 수 있게 합니다.

어느 공식도 보편적으로 더 정확하지 않습니다—둘 다 알려진 한계를 가진 경험적 모델입니다. 두 결과의 범위를 목표 시간의 신뢰 구간으로 처리하는 것이 최선입니다.

어떻게 작동하나요?

Riegel 대신 Cameron을 사용해야 하는 경우는 언제인가요?

짧은 기록에서 긴 레이스를 예측할 때, 특히 5K에서 마라톤을 예측할 때 Cameron을 사용하세요. 5K가 마라톤에 필요한 유산소 지구력보다 스피드 지향적임을 고려하기 때문에 이 시나리오에서 Cameron이 더 보수적입니다.

어느 공식이 더 정확한가요?

어느 것도 보편적으로 더 낫지 않습니다. 둘 다 대규모 레이스 데이터베이스에서 도출되었으며 거리-속도 관계의 다른 측면을 포착합니다. 실제 정확도는 노력의 질, 코스 프로필, 훈련 특이성에 따라 다릅니다.

울트라마라톤에 이 예측을 사용할 수 있나요?

아니요—두 공식 모두 마라톤까지의 로드 레이스 데이터로 보정되었습니다. 울트라 거리에서는 영양, 수면, 지형, 정신력이 지배적이며, 어떤 페이스 기반 공식도 이를 고려하지 않습니다.