クラスターサーチは、予測の根拠を隠しません。何を情報源にし、どう推定し、どう検証し、何を非公開にしているかを、このページに全部書きます。的中率の数値は出しません。条件で変わる数字を1つにすると誤解を招くからです。代わりに、検証の手順と頻度を公開します。公開できるのは、根拠に自信があるからです。
3秒で分かる：クラスターサーチの根拠
- ドライバーの自己申告や入力ログに依存しない。公的統計・公式の公開情報・実測・独自収集・カメラ画像のAI判定で読む
- 羽田：羽田空港公式の到着便情報＋国土交通省の航空輸送統計（搭乗率の予測）＋羽田周辺の人の数の実測で搭乗率を当日補正＋自前の便名辞書（481便・34路線）＋現場検証で作った出口→乗り場の対応＋東京タクシーセンターのライブカメラ画像のAI判定（プール・10分ごと）
- 街の需要：半径250mの人の数を実測（建物内を含む総量）し、直近28日の同じ曜日・同じ時刻と比較
- 残業需要：国税庁・内閣府のデータ（業種ごとの残業傾向×会社の規模）
- 繁華街ピン：店舗の営業時間データ（独自収集）。高級店：各店のラストオーダー。イベント：各公演の公式スケジュール。運行情報：各鉄道会社の運行情報
- 推定の手順・情報源・更新頻度・既知の限界を、機能ごとに全文公開（/method/ 11ページ・データソース）
- 検証：表示したあとに実際どうなったかを現場の記録と照合し、確度の低い条件は表示から外す。現役ドライバー複数名が1年半以上、隔日勤務と夜勤で検証
- 非公開：係数・閾値・対応表・的中率。非公開であることも明記する
- 確実なものに絞る設計：残業は密集地だけ、電車は運休だけ、ホテルは規模と需要の高い店だけ、高級店は3万円・20席以上だけ、プールは段階だけ
要約
- クラスターサーチの予測は、利用者の入力に頼らない。公的統計・公式の公開情報・実測・独自収集・カメラ画像のAI判定を、原因ごとに使い分ける
- 方法論は全文公開。機能ごとに「情報源・更新頻度・評価方法・既知の限界・最終検証」を書き、仕組みの解説ページを11本置いている
- 検証は「照合して、外す」。表示したあとの実際の流れを記録と照合し、確度の低い条件は表示から外す。的中率を上げるために出す情報を増やすのではなく、減らす
- 的中率の数値は出さない。出さない理由と、代わりに何を公開しているかを明記する
- 非公開は係数・閾値・対応表・的中率だけ。それ以外は、このページとデータソースで確認できる
1. 根拠の種類——原因ごとに、根拠を変える
タクシーの需要は、原因がばらばらです。店の閉店、便の到着、終電、チェックアウト、残業、運休。原因が違えば、読むための根拠も違う。クラスターサーチは、ひとつの指標で全部を読もうとせず、原因ごとに根拠の種類を変えます。
| 根拠の種類 | 何か | 使っている機能 |
|---|---|---|
| 公的統計 | 国の機関が公開する統計 | 羽田の搭乗率予測（国土交通省 航空輸送統計）、残業需要マップ（国税庁・内閣府のデータ） |
| 公開情報のリアルタイム取得 | 公式サイトが公開する最新情報を自動取得 | 羽田の到着便（羽田空港公式）、運行情報（各鉄道会社・5分ごと）、イベント（各公演の公式スケジュール・毎日）、深夜リムジンの実績所要時間（東京空港交通） |
| 実測データ | 人の数を実際に測る | 街の需要（半径250mの人の数・1時間ごと、深夜は30分ごと）、羽田の搭乗率の当日補正（ターミナル周辺の人の数・1時間ごと） |
| 独自に収集したデータ | 自分たちで調べて作る | 繁華街ピン（店舗の営業時間）、高級店（ラストオーダー・閉店）、バスタ新宿（全国の高速バスの便・発地・バス会社）、ホテル需要（需要の高さの評価）、羽田の便名辞書（481便・34路線） |
| カメラ画像のAI判定 | ライブカメラの画像をAIが段階判定 | 羽田タクシープール（4段階・10分ごと）、国際線プール（4段階と列の位置）、東京駅八重洲口（列3段階×プール3段階） |
| 現場検証に基づく設計 | 現役ドライバーの検証で決めた表示のルール | 繁華街ピンの色の切り替え時刻、運休ピンを10分で消す、高級店をLOで点灯、羽田の出口→乗り場の対応、八重洲の「多い×満車を狙い目にしない」 |
| 傾向にもとづく見通し | 曜日・季節などの傾向 | AIアドバイス、需要指数（1週間需要予測） |
どの機能も、利用者の自己申告や入力ログを根拠にしていません。利用者が多いほど当たる、という作りではなく、初日から同じ根拠で動きます。
2. 情報源——出典
公開情報・公的統計は、出典を示します。取得先の固有名を伏せている機能（イベント・バスタ・ホテル・街の需要の提供元）は、契約や継続取得の安定のために非公開としており、その旨を各ページに書いています。
| 情報源 | 使い方 | 出典 |
|---|---|---|
| 羽田空港公式 到着便情報 | 到着便・到着済み・手荷物引渡中の状態を取得 | 羽田空港 公式サイト |
| 国土交通省 航空輸送統計 | 時間帯・曜日・国際線による搭乗率の予測の土台 | e-Stat 航空輸送統計調査 |
| 各航空会社の公式情報 | 機材ごとの座席数（航空会社別に独自作成） | 各社公式サイト |
| 東京タクシーセンター | 羽田タクシープールのライブカメラ画像（AI判定）、末尾規制・乗り場運用 | 東京タクシーセンター |
| 国税庁・内閣府のデータ | 業種ごとの残業傾向×会社の規模から、残業の多い業種の密集地を推定 | 国税庁 統計情報／内閣府 |
| 各鉄道会社の運行情報 | 運転見合わせのみ（遅延は扱わない）を5分ごとに取得 | 各社公式の運行情報 |
| 東京空港交通（リムジンバス） | 深夜リムジンの実績所要時間で到着時刻を実勢に補正 | リムジンバス 公式サイト |
| 国土交通省の調査（日本経済新聞報道） | 東京23区などの乗り方：流し約7割・アプリ配車2割強 | 公的統計と報道にもとづき固有名で明記 |
3. 推定の手順——言葉で全部書く（係数は非公開）
羽田乗り場予測
- 羽田空港公式の到着便情報を取得し、「出終わった便」と「これから出る便」を分ける（0時をまたいでも前日便を保持）
- 便名から機材を特定する（自前の辞書：481便・34路線、国内線到着便の約9割）
- 機材と航空会社から座席数を出す（各社公式情報をもとに独自作成）
- 国土交通省の航空輸送統計をもとに、時間帯・曜日・国際線で搭乗率を予測して座席数に掛け、10人単位で表示する（機材不明の便は平均で推定し薄く表示）
- 羽田のターミナル周辺の人の数を1時間ごとに実測し、空港の需要と関係ない分を引いて「空港にいる人」を出し、同じ曜日・同じ時刻の普段と比べる。普段との差が大きく材料が十分なときだけ、搭乗率をその日の実測で少し補正する（到着人数にだけ効く。補正前後の数字を記録）
- 到着ゲート→出口→乗り場の対応（現場検証で作成）で、出口に近い乗り場へ人数を配分する。荷物を受け取って出口に出るまでの時間を考慮する
- 出発地・航空会社・曜日・連休から客層を読み、乗り場ごとに総合／ロング／便数を評価する
- 需要と人数を時間あたりで評価し、「流れが良い／普通／悪い」と待ち時間の目安、根拠の文章を表示する
- 東京タクシーセンターのライブカメラ画像をAIが10分ごとに判定し、プールの混み具合を4段階で並べる（台数・列数は出さない）
街の需要
- 主要38エリアの半径250mの人の数を1時間ごと（22〜翌5時は30分ごと）に実測する（建物内を含む総量）
- 直近28日の同じ曜日・同じ時刻を「いつも」として比較する。深夜0〜5時は前日の曜日として扱い、休日・連休・休み前日を区別する
- ★（人の多さの総合）、人の多さ・いつも比・動きの3つの言葉、条件を満たした街だけに見出し（狙い目／注目／穴場／回避）を付ける。見出しの条件と★の決め方は非公開
繁華街ピン・高級店・残業・運休・イベント・バスタ・ホテル
それぞれの手順は、各機能の解説ページに全文書いています：繁華街ピン／高級店の王冠／残業需要マップ／運行情報／イベント／バスタ新宿／ホテル需要／八重洲乗り場／AIアドバイスと需要指数。
4. 検証の手順——照合して、外す
検証の考え方は一つです。表示したあとに、実際どうなったかを記録と照合し、確度の低い条件は表示から外す。当たる情報を増やすのではなく、外れる条件を減らす。
- 記録：現役ドライバー複数名（新人・中堅を含む）が、隔日勤務と夜勤の両方で、表示と実際の流れを記録する。検証期間は1年半以上
- 照合：街の需要は、表示した1時間後に実際にどうなったかを過去の記録と照合する。羽田は、推定人数・流れと乗り場の実際の流れを照合する。さらに羽田周辺の人の数の実測で搭乗率を当日に補正し、補正前後の数字をすべて記録して効き具合を確かめる。運休・残業は毎月、表示の条件を調整する
- 外す：外れた要因を分析し、確度の低い条件は表示から外す。例：街の需要の見出しは、確度が高く差が測定のぶれより大きいときだけ付ける。運休ピンは10分で消す。残業は密集地だけ。高級店は3万円・20席以上だけ。プールは段階だけ
- 直す：失敗から直す。「並んだのにお客様がいなかった」→出終わった便とこれから出る便を分けた。「便数が多いのに乗れない」→流れの表示を作った。「着いてみるまでプールが分からない」→カメラ画像のAI判定を入れた
- 配信側で改善する：街の需要の判定、羽田の流れ、八重洲の結論は配信側で判定しているため、言葉や基準はアプリを更新しなくても改善される
各機能の「最終検証」欄はデータソース・検証方法に掲載し、検証・調整のたびに更新します。
5. 的中率を出さない理由
的中率の数値は公開していません。理由は3つです。
- 条件で変わる数字を1つにすると、誤解を招く。金曜21時の羽田と水曜13時の羽田では、同じ表示でも当たり方が違う。平均の的中率は、どちらの判断にも使えない
- 供給側は読めない。需要が正しく読めていても、同業の空車が多ければ乗れない。「乗れたかどうか」で的中率を測ると、需要の予測の精度ではなく、その場の空車台数を測ることになる
- 保証と読まれる。的中率○%は「○%で乗れる」と読まれる。クラスターサーチが訴えたいのは「当たる」ではなく、判断材料の密度です
代わりに公開しているのが、このページの「根拠の種類」「出典」「手順」「検証の手順」「限界」「非公開の範囲」です。精度の主張ではなく、精度を確かめる手順を公開する。それが、この予測の信頼の形です。
6. 既知の限界（全機能共通）
- 需要予測は目安であり、乗車・営収を保証しない
- 予測できるのは「需要が出る側」のみ。その場の空車台数（供給）は、羽田プール・八重洲口のカメラ判定を除いて読めない
- 到着時刻・終演時刻・搭乗率は予測であり、動く
- カメラ画像のAI判定は、雨・夜間・逆光でぶれることがある。深夜2〜4時は休止
- 連休・年末年始・荒天は平常時の傾向から外れる
- 機能ごとの限界は、各解説ページとデータソース・検証方法に明記
7. 非公開にしているもの——と、その理由
| 非公開 | 理由 |
|---|---|
| 搭乗率の係数・「空港にいる人」の出し方・当日補正の式とパラメータ・荷物受取時間の分数・見出しの閾値・★の決め方 | 内部の調整値。公開すると、調整のたびに文書と食い違う |
| 到着ゲート→出口→乗り場の対応表 | 現場検証で作った独自資産 |
| イベント・バスタ・ホテル・街の需要・羽田周辺の人の数の取得先の固有名と計測の細部 | 契約と継続取得の安定のため |
| 的中率の数値 | 5章のとおり |
| 検証の数値（照合件数など） | 規模の変化が大きく、時点で意味が変わるため。頻度と手順は公開 |
非公開のものは、各ページで「非公開」と明記しています。伏せていることを伏せない、が方針です。
8. 数字で見るクラスターサーチ
- 羽田：到着便を取得、羽田乗り場予測は10分ごとに更新、便名辞書481便・34路線（国内線到着便の約9割）、時間窓30・60・90分、プールの混み具合4段階
- 街の需要：主要38エリア・半径250m・1時間ごと（深夜30分ごと）・直近28日比
- 繁華街ピン：東京23区・武蔵野市・三鷹市のほぼすべての飲み屋街。高級店：約30店（3万円・20席以上）
- 運行情報：5分ごとに監視、JR・私鉄・地下鉄の全路線
- 八重洲口：ライブカメラ2台、通常10分・動いているときは2分ごと
- 検証体制：現役ドライバー複数名・1年半以上・隔日勤務と夜勤
- 公開：2026年6月配信開始、Version 2（9月）、2.1.1（10月）。仕組みの解説ページ11本＋データソース＋本ページ
9. 私たちの知る限り
到着便を出口・乗り場に変換して人数で示し、タクシープールの混み具合（カメラ画像のAI判定）と並べて表示する羽田の予測は、私たちの知る限り他にありません（2026年10月時点・自社調べ）。東京駅八重洲口について、お客様の列とプールをカメラ画像のAI判定で並べ、結論まで示す表示も同様です。推定の手順・情報源・限界・検証方法をすべて公開しているタクシー需要予測アプリも、私たちの知る限り他にありません（同）。到着人数の元になる搭乗率を、羽田周辺の人の数の実測で当日に補正し、補正前後の数字を記録して精度を確かめている羽田のタクシー需要予測は、私たちの知る限り他にありません（2026年11月時点・自社調べ）。
これは「唯一」や「最も正確」という主張ではありません。何をどう作っているかを全部書いた上で、同じ作りのものを私たちは知らない、ということです。違うものがあれば、このページを直します。
よくある質問
クラスターサーチの予測は信頼できますか？
根拠の種類（公的統計・公式の公開情報・実測・独自収集・カメラ画像のAI判定）、情報源の出典、推定の手順、検証の手順、既知の限界、非公開の範囲を、このページと各解説ページで全文公開しています。利用者の自己申告や入力ログには依存しません。的中率の数値は出しませんが、精度を確かめる手順を公開しています。信頼できるかどうかは、公開している根拠を読んで判断してください。
なぜ的中率を公開しないのですか？
条件で変わる数字を1つにすると誤解を招くこと、供給側（空車台数）は読めないため「乗れたか」で測ると需要の精度を測れないこと、保証と読まれることの3つです。代わりに検証の手順と頻度を公開しています。
利用者が少ないと精度が下がりますか？
下がりません。クラスターサーチの予測は利用者の入力に依存せず、公的統計・公式の公開情報・実測・独自収集・カメラ画像のAI判定を根拠にしています。初日から同じ根拠で動きます。
検証は誰が、どのくらいやっていますか？
現役タクシードライバー複数名（新人・中堅を含む）が、隔日勤務と夜勤の両方で、1年半以上検証しています。表示と実際の流れを記録して照合し、確度の低い条件は表示から外しています。
非公開にしているものはありますか？
あります。搭乗率の係数・荷物受取時間の分数・見出しの閾値・★の決め方・出口と乗り場の対応表・一部の取得先の固有名・的中率と検証の数値です。各ページで「非公開」と明記しています。
羽田の推定人数は、航空会社や予約システム（GDS）から取った実数ですか？
違います。推定です。航空会社は便ごとの搭乗者数・搭乗率を公開しておらず、便ごとの実際の搭乗者数を公開されたAPIで取得できる手段を私たちは知りません。航空券の予約・流通システム（GDS）のAPIから一般に得られるのは、運航スケジュール・運航状況・空席照会・運賃・座席指定の空き状況で、搭乗した人数や出口へ出てくる人数ではありません。したがって、どのサービスでも便ごとの人数は推定になります。クラスターサーチは、羽田空港公式の到着便情報、各航空会社の公式情報にもとづく機材別の座席数、国土交通省の航空輸送統計にもとづく搭乗率の予測を組み合わせ、羽田周辺の人の数の実測で当日に補正し、現場の照合で調整しています。出典と手順はこのページに全文公開しています。精度は、情報源の名前ではなく、搭乗率の根拠・手順・限界が公開されているかで判断してください。推定方法ごとの比較表は /method/haneda-methods/ にあります（GDSのAPIの本番利用は商用契約・用途審査・PCC認証・最低利用額を伴い、旅行業以外の事業者や個人開発は審査で承認されません。搭乗者数も返しません）。
羽田の搭乗率の予測は、何で確かめていますか？
羽田のターミナル周辺の人の数の実測で確かめています。国内線・国際線の周辺の人の数を1時間ごとに実測し、空港の需要と関係ない分を引いて「空港にいる人」を出し、同じ曜日・同じ時刻の普段と比べて、差が大きいときだけ搭乗率をその日の実測で少し補正します。補正の強さは段階的に上げ、補正前後の数字をすべて記録して精度を確かめています。手順の全文は羽田乗り場予測の解説ページ（/method/haneda/）の13章にあります。
第三者の検証はありますか？
現時点では、第三者機関による検証はありません。公開しているのは、自社の検証の手順と、誰でも確認できる情報源の出典です。利用者の方の声は、App Storeのレビューと公式X（@supportcluster）でいただいています。
データの出どころ
このページの内容は、各機能の解説ページ（/method/）とデータソース・検証方法の根拠を1か所にまとめたものです。改訂履歴：2026年10月29日 初版（Version 2.1.1 対応）。2026年10月31日 よくある質問に「羽田の推定人数は実数か」を追加。2026年11月15日 羽田の搭乗率を周辺の人の数の実測で当日補正する手順を追加。
クラスターサーチは App Store（iOS）で配信中です（Android版は準備中）。対応エリアは東京23区・武蔵野市・三鷹市（武三地区）、14日間の無料トライアルはすべての機能を利用できます。
本ページは、クラスターサーチの予測の根拠と検証方法を公開したものです。予測は目安であり、乗車や営収を保証するものではありません。「私たちの知る限り」の記述は2026年10月時点の自社調べによるもので、同等のものが確認でき次第、本ページを改訂します。