賽事預測器如何運作
預測不同距離表現背後的科學原理。
賽事預測器使用 Peter Riegel 於 1977 年發布的 Riegel 公式。它根據現有表現估算您目標距離的完賽時間 — 例如根據近期 10K 結果預測馬拉松時間。
公式
T2 = T1 × (D2 / D1)1.06
指數 1.06 = 耐力疲勞係數
為什麼是 1.06？
如果跑步是純有氧且無疲勞的，時間將隨距離線性縮放（指數 = 1.0）。指數 1.06 捕捉到了長距離比賽需要按比例付出更多努力的現實：您的配速會隨距離增加而變慢。
一名以 42:00 完成 10K 的跑者，跑馬拉松的配速不會正好是 10K 配速的 4 倍 — 由於能量消耗和累積疲勞，速度會稍慢一些。1.06 係數對此現實進行了經驗建模。
範例
您跑了 10K 45:00。您的預測馬拉松時間是多少？
T1 = 2700 seconds (45:00)
D1 = 10 km
D2 = 42.195 km
T2 = 2700 × (42.195 / 10)1.06 ≈ 13,140 s ≈ 3:39:00
在訓練中使用您的預測
獲得預測的馬拉松時間後，反向推算您的訓練配速。如果您的預測馬拉松時間為 3:30，那麼您的目標馬拉松配速大約為每公里 4:58（每英里 7:59）。在比賽前的最後 8 週內，將此配速用於長跑進階和馬拉松專項訓練。
預測結果在每次重要比賽後更新時最為有用。隨著訓練使您的體能提高，您的 10K 時間將下降，馬拉松預測也會隨之改善。即使不在每個週期都參加全程馬拉松比賽，追踪這一進展也是監測訓練效果的可靠方法。
⚠️ 需要注意的限制
- 該公式假設兩場比賽均以最大努力且在相似條件下進行。
- 它未考慮地形、天氣、海拔或訓練特異性。
- 當兩個距離相對接近時（例如 5K → 10K），預測最為準確。從 5K 推算到馬拉松具有較大的不確定性。
- 初學者往往會超越預測結果；訓練有素的運動員則傾向於更接近模型。
同時測試兩種公式
輸入已知賽事結果，並列比較 Riegel 與 Cameron 的預測。
正在尋找其他方法？ 深入了解 Cameron 公式 →
比賽預測常見問題：充分利用您的成績
Riegel公式（1977年）是跨距離預測跑步時間最廣泛使用的模型。它捕捉了耐力的基本真相—隨著距離增加，配速以可預測的非線性速率減慢。公式為T2 = T1 × (D2/D1)^1.06。
從真正的最大競賽努力在平坦賽道上的相鄰距離之間預測時，準確性最高。從10K預測全馬，在理想條件下預計結果在2-4分鐘以內。常見的誤差來源包括使用訓練時間而非比賽時間。
該公式不考慮訓練特異性。將預測作為現實的上限，規劃保守的起跑策略。對於大距離外推（例如從5K到全馬），請與Cameron公式的輸出進行比較作為交叉驗證。
運作原理
Riegel公式有多準確？
在理想條件下（平坦賽道、良好天氣、真正最大努力），從10K預測全馬在2-4分鐘以內。相鄰距離（10K到半馬）的準確性更高，大距離差距下準確性降低。在3:30-5:30分/公里的配速範圍內效果最佳。
為什麼預測時間看起來太快或太慢？
最常見的原因是輸入不是真正的競賽努力—舒適的長跑低估了體能，快賽道上的個人最佳成績高估了體能。賽道和天氣差異也起作用。
我可以在非常不同的距離之間預測，比如從5K到全馬嗎？
技術上可以，但距離差距越大，可靠性越低。對於5K到全馬的跨越，也運行Cameron預測—它提供更保守、通常更實際的全馬估計。