混雑予想ロジック仕様書

1. 概要

TDR+の混雑予想は、複数の独立した要因を加算する線形モデルで日別の混雑レベル（0〜9の10段階）を算出する。各日付について「晴天時予測」と「雨天時予測」の2通りを事前に生成し、ユーザーのアクセス時に天気予報APIの結果（降水量を含む）に応じて適切な値を表示する。

このアプローチの目的は、天候という予測不能な変数を分離することで、ロジック自体の精度（構造的要因の捕捉力）を正確に検証可能にすることにある。v2.1では外部需要シグナル（チケット価格Tier）の導入と、降水量の非線形モデルにより予測精度を向上させている。

1.1 出力形式

CROWD_DATA[park][date] = { s: sunnyLevel, r: rainLevel }
// park: "tdl" | "tds"
// date: "YYYY-MM-DD"
// sunnyLevel, rainLevel: 0-9 の整数

1.2 レベル定義

1.3 推定入園者数との対応 v2.5

各レベルは推定入園者数に比例するよう設計されている。OLCの公開データ（年間入園者数2,756万人/2024年度）と各種推定データに基づく。日別入園者数は非公開のため全て推定値。

根拠: TDL:TDS入園者比率は55:45。TDSはFS開業(2024年)後に面積約25%増のためキャパシティが拡大。1日平均はTDL約41,500人/TDS約34,000人。中央帯(Lv3-7)を細かく刻み、上下端は広くすることでレベル分布の偏りを防止。

注意: この数値はOLCの年間/半期合計データからの逆算推定であり、公式の日別発表値ではない。UIでは「推定」と明記。

2. 予測式（Prediction Formula）

晴天時の混雑レベルは以下の加算式で算出される:

v2.5: softClamp関数はsigmoid圧縮を用いて、従来のハードクランプ(0,9)ではLv8-9に集中していたスコアの分解能を向上させる:

雨天時予測は晴天時予測から雨補正量を減算して求める:

v2.1: 表示時に降水量に基づく非線形補間を適用（4.3節参照）:

3. 各ファクター詳細

3.1 曜日ベースレベル (DOW_BASE)

すべての予測の出発点。曜日による来園者数の基本パターンを反映。

根拠: 土曜が最混雑、日曜は翌日の学校/仕事で若干減、金曜は半休やフレックス利用者で平日より多い。月〜木は均一的な平日パターン。

3.2 祝日補正 (holidayBonus)

3.3 祝前日補正 (preHolidayBonus)

翌日が祝日 かつ 当日は祝日でない場合: +1

根拠: 翌日休みの安心感で夜まで滞在する来園者が増える。

3.4 連休ブリッジ日効果 (bridgeDayBonus)

平日（月〜金）が休日に挟まれた場合、有給休暇取得率が高くパーク来園が増える。

3.5 長期休暇補正 (vacationBonus)

3.6 季節補正 (seasonalAdjust)

3.7 イベント補正 (eventBonus)

ディズニーの季節イベントは集客に大きく影響する。イベント初日と最終日付近は特に混む。

最終3日間は駆け込み需要としてfinalDayBoostの50%を加算。最終日はfinalDayBoostの100%を加算。複数イベント重複時は最大値を採用。

3.8 TDS 25周年補正 (tds25thBonus)

TDSのみに適用。2024年開業のファンタジースプリングスと2026年のTDS25周年の複合効果。

3.9 学校行事補正 (schoolEventAdjust)

3.10 特殊イベント補正 (specialEventBonus)

data/crowd-analysis/config.json の special_events.dates から読み込み。

3.11 年パス除外日補正 (apBlackoutAdjust)

年間パスポートで入園できない日は、リピーター層が減少するため -0.5 を適用。

対象日: GW(5/2-5/5), お盆(8/11-8/16), クリスマス(12/23-12/25), 年末年始(12/29-1/3)

注意: 除外日はチケット購入客は通常通り入れるため、効果は限定的（-0.5のみ）。

3.12 チケット価格Tier補正 (ticketPriceTierBonus) v2.2

ディズニーのチケット価格設定（4段階のダイナミックプライシング）は、ディズニー自身が保有する内部データに基づく需要予測の反映である。これを外部需要シグナル（Proxy Data）として活用する。

理論的根拠: 混雑予想戦略で提案された「周辺ホテルのイールドマネジメント解析」の代替として、ディズニーが公開する最も直接的な需要プロキシがチケット価格である。ディズニーは過去数十年のデータ、予約状況、ホテル稼働率などの内部情報に基づいて価格を設定しているため、この価格自体が高精度な需要予測値と見なせる。

注意: チケット価格データが存在しない日付（未発売期間等）には曜日別期待値で補正（v2.3）。補正値は実測データの蓄積に伴い校正予定。

3.13 曜日別バイアス自動補正 (DOW_BIAS) v2.4

Claude/Geminiによるアルゴリズム監査で提案された「残差の曜日依存性」を自動補正する仕組み。

仕組み

• data/crowd-analysis/corrections.json に日次の予測/実測レベルを記録（手動または自動）
• generate-crowd-data.js起動時にcorrections.jsonを読み込み
• 7件以上のレコードがあり、かつ各曜日2件以上ある場合にDOW_BIASを算出
• DOW_BIAS[dow] = mean(actual - predicted) を各曜日で計算
• 算出されたバイアスをsunnyLevel算出後に加算

corrections.json フォーマット

{
  "records": [
    {
      "date": "2026-04-11",
      "predicted": 6,
      "actual": 7,
      "tag": "M",       // M=モデル誤差, E=イベント要因, S=特殊要因
      "note": "金曜だが混雑"
    }
  ]
}

例

14日分のデータで「火曜の予測が平均+0.8高い」と判明 → DOW_BIAS[2] = -0.8 が自動適用され、以後の火曜予測が0.8下がる。

注意: [S]タグ（特殊要因）のレコードもバイアス計算に含まれるため、特殊な外れ値が多い場合は手動でtagを確認する運用が必要。

3.14 アトラクション休止補正 (attractionClosureAdjust) v2.5

data/crowd-analysis/config.json の休止データを活用。主要アトラクションがリハブ休止中の場合、パーク全体の吸引力が低下するため来園者が減少する。

注意: スペースマウンテン等の長期閉鎖（建替え）は「新常態」として除外し、補正対象はリハブ等の一時的休止のみ。

3.15 連休内日別パターン (consecutiveHolidayPattern) v2.5

3連休以上の大型連休では、初日・中日・最終日で来園者数のパターンが異なる。従来は連休全体に一律補正だったが、v2.5で日別に差分化。

3.16 卒業旅行シーズン (graduationTripBonus) v2.5

2月下旬〜3月中旬の平日に、卒業旅行・卒園旅行による来園増加を反映。

注意: 週末は既にDOW_BASEで高い値が設定されているため、平日のみに適用。春休み補正(3/25〜)とは期間が被らないよう調整済み。

3.17 ホテル満室度補正 (hotelOccupancyBonus) v2.5

ディズニーホテル3軒（ディズニーランドホテル、アンバサダーホテル、ホテルミラコスタ）の満室率をチェックし、宿泊需要の高さを混雑予測に反映。

注意: ファンタジースプリングスホテルは常時満室のため、ノイズとなるため除外。満室情報はscripts/fetch-hotel-prices.jsのデータを参照。

3.18 インバウンド観光カレンダー (inboundCalendarBonus) v2.5

訪日外国人観光客の大型連休期間を考慮。近年のインバウンド回復により、海外の祝日がTDRの混雑に影響を与えるようになっている。

注意: 春節の日付は毎年変動するため、config.jsonで年ごとに定義。

4. 雨天予測モデル (Rain Reduction Model)

雨天時の混雑低下量は、晴天時の予測レベルと曜日種別（平日/週末）に依存する。これは「カジュアル来園者（天候に敏感）」と「コミッテッド来園者（天候に鈍感）」の比率が混雑レベルによって異なるという仮説に基づく。

4.1 理論的背景

• 閑散日（Lv0-2）: 来園者の大半が計画的な訪問者（遠方、ホテル予約済み等）で天候に鈍感。雨による減少は軽微。
• 普通〜やや混雑（Lv3-6）: カジュアル層と計画層が混在。週末はカジュアル層が多いため雨の影響が大きい。
• 混雑日（Lv7-9）: 大量のカジュアル来園者が含まれる。雨天で大きく減少し、体感的な混雑が顕著に変わる。

4.2 補正テーブル（来園動機強度乗算付き）v2.3

v2.3追加: 来園動機強度(commitMultiplier)を雨補正に乗算。GW・お盆等の強コミット日は旅行客が多く雨でもキャンセルしにくいため影響半減（x0.5）。平日閑散日はカジュアル層中心のため影響増大（x1.5）。

例: GW(強コミット)のLv7-9の週末雨 → -3 x 0.5 = -1.5 → round → -2

4.3 降水量シグモイドモデル（クライアント側）v2.2

Open-Meteo APIからprecipitation_probability_max、precipitation_sum（予想降水量mm）、weathercode、windspeed_10m_max、windgusts_10m_maxを取得。

Step 1: 雨判定

isRain = precipitation_probability > 60% OR weathercode ∈ rain_codes
rain_codes = {51-67, 80-82, 95-99}  // WMO standard

Step 2: シグモイド関数による影響度算出 v2.3気温補正

// 気温に応じた変曲点k（v2.3追加）
k = temp < 15 ? 6 : temp > 28 ? 9 : 8
// 冬(15度未満): k=6mm — 寒い日は少量の雨でも来園控え
// 春秋: k=8mm — 標準
// 夏(28度超): k=9mm — 暑い日は雨歓迎（涼しくなる）で影響減

rainImpact = 1 / (1 + e^(-(mm - k) / 3))

// k=8の例:
// mm=2  → rainImpact ≈ 0.12（ほぼ晴れ）
// mm=5  → rainImpact ≈ 0.27（小雨域）
// mm=8  → rainImpact ≈ 0.50（中間点）
// mm=12 → rainImpact ≈ 0.79（本降り域）
// mm=15 → rainImpact ≈ 0.91（大雨域）

Step 3: 表示レベル決定（連続補間）

if (rainImpact <= 0.5):
  // 小雨域: sunny〜rainを線形補間
  t = rainImpact * 2  // 0〜1に正規化
  displayLevel = round(sunnyLevel * (1-t) + rainLevel * t)
else:
  // 大雨域: rain〜(rain-1)を線形補間
  t = (rainImpact - 0.5) * 2  // 0〜1に正規化
  displayLevel = round(rainLevel * (1-t) + max(0, rainLevel-1) * t)

理論的背景

混雑予想戦略で指摘された「降水量閾値の非線形性」に対応。従来の3段階離散モデル（v2.1）からシグモイド関数による連続モデルに移行。1mmの霧雨と15mmの本降りの間を滑らかに補間し、来園者の意思決定プロセスをより正確にモデル化する。

4.4 風速リスクモデル（京葉線運休補正）v2.2

TDRへの主要アクセス路線であるJR京葉線は、強風時に徐行運転や運休が発生する。これは来園者数に直接的な影響を与えるが、他の混雑予想サイトでは考慮されていない差別化要因。

データソース: Open-Meteo API windspeed_10m_max（日最大風速）、windgusts_10m_max（日最大瞬間風速）

4.5 気温極端値補正（crowd.js側）v2.5

v2.5で天候補正は基本予測（generate-crowd-data.js）とは分離し、表示時のリアルタイム処理（crowd.js）として実装。気温の極端値による来園控えを補正する。

注意: この補正はcrowd.js側で天気予報API取得時にリアルタイム適用される。generate-crowd-data.jsの基本予測には含まれない。

4.6 待ち時間の丸め処理 v2.5

v2.5より、表示する待ち時間を全て10分単位に丸め。23分→20分、47分→50分のように表示。過剰な精度の表示（例: 43分）はユーザーに誤った精度感を与えるため。

4.7 v2.3 追加機能

4.7.1 運動会確率分布モデル

従来は固定日（5/25, 6/1等）に+1.0〜+1.5の振替休日補正を適用していたが、v2.3では確率分布に基づく期待値モデルに変更。

// 運動会の振替休日（月曜）の確率分布
// 5月第4週月曜: 40%の学校で運動会振替
// 6月第1週月曜: 30%
// 10月第2週月曜: 20%（秋開催校）
// 各日の補正 = 確率 × 最大補正値(+1.5)
// 例: 5月第4月曜 → 0.4 × 1.5 = +0.6

4.7.2 生スコア記録

clamp(0, 9)前の生スコアをCROWD_DATA_METAに記録。上限9に張り付く日が多いほどモデルの改善シグナルが失われるため、生スコアで実際のスケールを分析。

// 出力例
CROWD_DATA_META.raw_scores = {
  tdl: { above9: 11, max: 12.2 },
  tds: { above9: 33, max: 14.2 }  // 25周年効果で上限張り付き顕著
}

4.7.3 未発売日Tier期待値

チケット価格が未発売の日はTier補正が適用できない。v2.3では曜日別の期待Tier値で代替。

5. 予測ロック機構

予測の信頼性を担保するため、直近30日間の予測値は再生成時にも変更しない（v2.5で7日→30日に拡大）。

• --respect-lock フラグ（CI実行時のデフォルト）: 今日から30日以内の既存予測を保持
• --force フラグ: ロックを無視して全日程を再生成（手動実行用）
• ロック境界日は CROWD_DATA_META.lock_date に記録

目的: 「予測が外れたら後から修正して当たったことにする」という不誠実な運用を防ぐ。外れた予測こそロジック改善の最大の学習材料。

v2.5変更: 30日に拡大した理由は、ユーザーが予測を見てホテル予約や旅行計画を立てた後に予測値が変わると信頼を損なうため。天候補正は表示時のリアルタイム処理として分離されているため、基本予測の安定性を優先する。

6. 精度検証フレームワーク

6.1 データ収集

• ThemeParks.wiki API経由で15分間隔で実際の待ち時間を収集
• 主要アトラクション10施設（TDL/TDS各10）の加重平均待ち時間を算出
• 中央値待ち時間から「実測レベル」を確定

6.2 実測レベル閾値 v2.4修正

v2.4修正: 旧Lv8(78-94)/Lv9(95-114)は閾値配列[78,95,115]で重複域が曖昧だった。新閾値[78,100,130]でLv8(78-99)/Lv9(100-129)に明確分離。config.json level_thresholds で定義。

6.3 比較ルール

• 当日が雨だった場合: rainLevel と実測を比較
• 当日が晴れ/曇りの場合: sunnyLevel と実測を比較
• 精度分類: exact（±0）、close（±1）、off（±2以上）

6.4 トラッキング開始日

2026-04-10（サイト開設日）以降のデータのみを精度検証に使用する。それ以前の予測は事後的に作成されたものであり、精度の根拠とはならない。

6.5 残差分類フレームワーク (Residual Decomposition) v2.2

混雑予想戦略で提案された「残差の構造的分解」を実装。予測と実測のズレ（残差）を「ノイズ」として処理せず、その依存変数を特定するためのタグ付けシステム。

将来的にはタグ付けされたデータを教師データとして再投入し、モデルが「予測困難なパターン」を認識するための強化学習ループを構築予定。

7. 既知の課題と今後の改善計画

7.1 現在のモデルの限界

• 線形加算モデルの限界: 各要因を独立に加算しているため、要因間の相互作用（例: GW × 雨 の非線形効果）を捕捉できない。
• 定数ベースの補正値: 各ファクターの補正値は経験則ベースで設定しており、実データによるキャリブレーションが未実施。
• 実測データの不足: corrections.jsonに残差記録を蓄積中。7日分以上でDOW_BIASが有効化される（v2.4で仕組み実装済み、データ蓄積待ち）。
• 時間帯別予測の欠如: 現在は日単位の予測のみ。午前/午後/夜で混雑パターンが異なるが未対応。
• SNSバズ・テレビ放映の未考慮: 予測不能な外部要因。事後分析で検出し、類似パターンの検出に活用予定。

7.2 改善ロードマップ v2.1更新

混雑予想戦略文書に基づく4段階の改善計画:

7.3 現時点で実装不可能な提案と理由

混雑予想戦略文書で提案された手法のうち、以下は現行アーキテクチャまたはデータ不足により未実装:

8. ロジック変更履歴