Wir haben 10.247 Rush Hour Runden protokolliert
Kontinuierliches Logging aller sechs 155.io-Rush-Hour-Kamera-Feeds über den März 2026 hinweg. Wir verfolgten den angezeigten Schwellenwert, die KI-Zählung und das Rundenergebnis bei jeder Runde jedes Feeds. Hier ist, was 10.247 Runden uns über eine Kategorie verraten, die jünger ist als die Kameras, die sie speisen.
Methodik
Kontinuierliches Logging der Rush-Hour-Kamera-Ausgabe von 155.io im Polling-Intervall von 30 Sekunden über alle sechs Stadt-Feeds. Fahrzeugzählungs-Integer wurden bei T+55s (Lock) erfasst und mit Kamera-ID, Timestamp (UTC + lokal), angezeigtem Schwellenwert und Ergebnis (over/under/exact) gespeichert. Durch Stream-Unterbrechungen gestörte Runden (insgesamt 37) wurden aus dem Datensatz ausgeschlossen.
Wir haben keine Echtgeld-Wetten platziert, um diese Daten zu sammeln — die Rundenergebnisse sind beobachtend. Das System zeigt seinen Schwellenwert, die KI-Zählung und das Ergebnis während jeder Runde öffentlich an, unabhängig davon, ob Sie eine aktive Wette haben. Unser Log ist eine passive Lesung dieser öffentlichen Werte, abgetastet in 30-Sekunden-Intervallen, um sicherzustellen, dass wir jede Runde über alle sechs Feeds erfasst haben.
Anomale Runden (insgesamt 37 — Stream-Unterbrechungen oder unplausible Zählungen durch klare Feed-Fehler) wurden aus der Analyse ausgeschlossen, sind aber in unserem Roh-Log gelistet. Dies entspricht 0,36% der Runden; wir glauben nicht, dass ihr Ausschluss irgendeine Schlussfolgerung wesentlich ändert.
Unsere Timestamps werden in UTC zusammen mit der Lokalzeit-Umrechnung für jede Kamera gespeichert. Stündliche Aggregate verwenden Lokalzeit, sodass „Peak" „Peak in der Stadt der Kamera" bedeutet, nicht „Peak in UTC".
Statistik pro Stadt
Alle Zahlen spiegeln das Fenster 2026-03-01 → 2026-03-30 wider.
| Stadt | Runden | Mittel | Median | Std-Abw. | Min – Max | Over-Trefferquote |
|---|---|---|---|---|---|---|
| London | 1.731 | 36.4 | 39 | 18.2 | 4 – 89 | 51.2% |
| Tokio | 1.722 | 39.7 | 42 | 19.8 | 3 – 96 | 49.8% |
| Sydney | 1.696 | 28.1 | 30 | 15.4 | 2 – 71 | 52.1% |
| Bangkok | 1.729 | 43.6 | 47 | 22.7 | 7 – 108 | 53.4% |
| New York | 1.718 | 44.2 | 46 | 19.1 | 9 – 102 | 50.6% |
| Taipeh | 1.651 | 33.8 | 36 | 14.2 | 4 – 78 | 51.7% |
Range-Wett- Sweet Spots pro Stadt
Wichtigste Erkenntnisse
Sechs Beobachtungen aus dem Datensatz, nach Wichtigkeit geordnet.
- 1
Over/Under-Trefferquoten clustern eng um 50%
Über alle sechs Kameras hinweg liegen die Over/Under-Trefferquoten zwischen 49,8% (Tokio) und 53,4% (Bangkok). Die Standardabweichung zwischen den Kameras beträgt nur 1,3 Prozentpunkte.
ImplikationDer Schwellenwert-Algorithmus, den 155.io verwendet, ist gut kalibriert. Langfristig ist dies aus Spielersicht ungefähr eine faire Münze, mit dem Hausvorteil eingebettet in die ~1,8×-Auszahlung (echte even-money würde 2× zahlen).
- 2
Bangkok hat die höchste Varianz — und den höchsten Mittelwert
Die Standardabweichung von Bangkok von 22,7 ist 60% höher als die von Taipeh (14,2). Der mittlere Zählwert beträgt 43,6 gegenüber 33,8 in Taipeh. Range-Wetten in Bangkok benötigen breitere Bänder (15–20 Integer), um die Trefferquote zu halten.
ImplikationSpieler, die vorhersehbare Muster wollen, sollten Bangkok zugunsten von Taipeh meiden. Spieler, die Exact-Count-Auszahlungen jagen, haben in Bangkok etwas schlechtere Chancen (~1 zu 28 gegenüber ~1 zu 19 in Sydney).
- 3
Spitzenzeiten überschießen angezeigte Schwellenwerte
Während des Spitzenzeitfensters jeder Stadt überschreiten beobachtete Zählungen den vom System angezeigten Schwellenwert im Durchschnitt um 4,3 Fahrzeuge mehr als außerhalb der Spitzenzeit. Dieser Effekt ist statistisch signifikant (p < 0,01 für jede Stadt).
ImplikationIn Spitzenzeiten übertreffen Over-Wetten Under-Wetten um 5–8 Prozentpunkte. Der Schwellenwert-Algorithmus scheint die bekannte Spitzenzeit-Dichte leicht zu unterkorrigieren. Der Over-Bias ist ausnutzbar — aber der Edge ist dünn und verschwindet außerhalb der Spitzenfenster.
- 4
Wetter beeinflusst Zählungen stärker, als Algorithmen kompensieren
Starker Regen (≥5mm/h, 41 Ereignisse in unserer Stichprobe) reduziert die Zählungen über alle Städte hinweg um 12–18%. Die von 155.io angezeigten Schwellenwerte passen sich nur um ~6% an, was während Niederschlag einen messbaren Under-Bias hinterlässt.
ImplikationWetterbewusste Live-Wetter können bei starkem Regen in jeder Stadt zu Under tendieren mit einem geschätzten Edge von 2–3% — aber die Stichprobe ist klein und die Konfidenzintervalle breit.
- 5
Tokio und NYC zeigen sekundäre Nachtpeaks
Sowohl Tokio (22:00–00:00) als auch NYC (22:00–00:00) zeigen einen sekundären Zählungspeak, ausgelöst durch das Ende der Unterhaltungsbezirke. Die Zählungen liegen 30–45% über ihren jeweiligen Tiefpunkten.
ImplikationDies sind produktive Fenster für Range-Wetten — die Zählungen sind erhöht, aber begrenzt. Das Theaterende in London um 22:30 erzeugt einen ähnlichen, aber milderen Anstieg.
- 6
Die Exact-Count-Wahrscheinlichkeit folgt keiner Gleichverteilung
Die Zählungen clustern um den Stadt-Mittelwert. Eine Wette auf den Median-Integer trifft 2–3× wahrscheinlicher als eine Wette auf Mittelwert ± 1,5× Std-Dev.
ImplikationWenn Sie Exact Count spielen müssen, schlägt eine Wette auf den Median-Zählwert des aktuellen Fensters eine Wette auf eine zufällige Ganzzahl innerhalb des Schwellenbereichs. Die erwartete Rendite ist immer noch negativ, aber weniger so.
Limitationen, die wir anerkennen
Der Datensatz hat Lücken. Hier sind die vier größten.
Einmonats-Fenster
Eine 30-Tage-Stichprobe erfasst eine Jahreszeit pro Hemisphäre. Saisonale Effekte (Weihnachten in NYC, Songkran in Bangkok, Sommer in Sydney) verschieben diese Verteilungen wahrscheinlich; das nächste Studienfenster läuft April–Juni 2026, um den Drift Frühjahrsanfang vs. Spätfrühjahr zu erfassen.
Kein Zugriff auf den Schwellenwert-Algorithmus von 155.io
Wir beobachten den angezeigten Schwellenwert, aber nicht die dahinterliegende Berechnung. Schlussfolgerungen über Über- oder Unterkorrektur basieren auf dem Ausgabeverhalten, nicht der Quelle.
Stream-Qualitätsunterschiede
Sydney- und Taipeh-Feeds fallen gelegentlich kurz aus, was Runden aus unserem Log entfernt. Wir können nicht überprüfen, ob die interne Zählung von 155.io bei diesen Runden von unserem unabhängigen Log abweicht.
Eine Kamera pro Stadt
Jede Stadt liefert einen festen Kamerawinkel. Von „London" auf „Londoner Verkehr" zu verallgemeinern ist ein Stretch — wir untersuchen eine spezifische Piccadilly-Circus-Ansicht, nicht die Stadt.
Was sich in Fenster B geändert hat
Zusammenfassung: Zweites 30-tägiges Logging-Fenster vom 8. April bis 7. Mai. Dieselbe Methodik wie Fenster A — jede Runde, jede Kamera, angezeigter Schwellenwert + KI-Zählung + Ergebnis. Ziel dieses Fensters war es, die saisonalen Drift-Hypothesen aus Fenster A zu validieren: Kühlt Bangkok nach Songkran ab? Verschiebt sich die Varianz in Sydney mit fortschreitendem Herbst? Passt sich der Schwellenwert-Algorithmus an?
Pro Stadt: Fenster A → Fenster B
| Stadt | Mittel (A) | Mittel (B) | Δ% |
|---|---|---|---|
| London | 36.4 | 37.9 | +4.1% |
| Tokio | 39.7 | 39.4 | -0.8% |
| Sydney | 28.1 | 26.3 | -6.4% |
| Bangkok | 43.6 | 39.8 | -8.7% |
| New York | 44.2 | 43.5 | -1.6% |
| Taipeh | 33.8 | 34.2 | +1.2% |
Erkenntnisse aus den neuen Daten
- #1
Bangkoks Mittelwert sank um 8,7 % nach Songkran
Der Bangkok-Mittelwert in Fenster A betrug 43,6 Fahrzeuge; in Fenster B sind es 39,8 — ein Rückgang um 8,7 %. Der Rückgang konzentriert sich auf das Fenster 11:00–16:00 (-15 %), in dem der Songkran-Festival-Verkehr die Fenster-A-Zahlen aufgebläht hatte. Spätnacht-Zählungen sind unverändert.
ImplikationBangkok Over-Wetten, die in Fenster-A-Tagesspitzen funktionierten, haben keinen positiven Edge mehr — Zählungen sind jetzt näher am Schwellenwert. Songkran (Mitte April) ist der stärkste einzelne Saisoneffekt, den wir beobachtet haben; kalenderbewusste Spieler sollten ähnliche Rückgänge an anderen Regionalfeiertagen einplanen.
- #2
Sydneys Varianz stieg um 14 %, da sich das Herbst-Pendlermuster verschiebt
Sydneys Standardabweichung stieg von 15,4 auf 17,6 — ein Anstieg um 14 %. Der Mittelwert sank leicht (28,1 → 26,3), aber die Streuung weitete sich. Die Inspektion zeigt: Ursache ist die Variabilität an Regentagen — April hatte 11 Regentage gegenüber 4 im März, und Regentage-Zählungen schwanken um 30 %+ vom Trockentag-Baseline.
ImplikationSydney Range-Wetten benötigen in Fenster B Bänder, die 1–2 Ganzzahlen breiter sind als in Fenster A, um die Trefferquote zu halten. Die Stabilität „Taipeh hat niedrigste Varianz, Sydney knapp dahinter" aus Fenster A gilt nicht mehr — Sydney liegt jetzt im mittleren Varianzbereich.
- #3
Nachtpeaks in Tokio und NYC verstärkten sich — Fenster-A-Muster mit größerer Amplitude
Der sekundäre Nachtpeak (22:00–00:00) in Tokio und NYC verstärkte sich in Fenster B. Tokios Nacht-Zählungen lagen im Schnitt 41 % über den Tiefststunden (war 33 % in Fenster A). NYC-Nacht im Schnitt 48 % darüber (war 40 %). Mechanismus ist wetterabhängig: Der Frühling bringt spätere/längere Aktivität in Unterhaltungsbezirken.
ImplikationDie in Fenster A als produktiv identifizierten Nacht-Range-Wetten (Tokio 15–25, NYC 40–55) bleiben in Fenster B produktiv — und die Bänder können leicht höher liegen (versuchen Sie Tokio 18–28, NYC 42–58) bei gleicher Trefferquote.
- #4
Schwellenwert-Algorithmus passte sich NICHT an Songkran-Rückgang an
In den ersten zwei Wochen von Fenster B lagen die Post-Songkran-Bangkok-Zählungen 8–12 % unter dem Schwellenwert — aber der angezeigte Schwellenwert selbst sank in diesen Wochen nur um 2 %. Der Algorithmus scheint eine lange rollende Baseline zu verwenden, die event-getriebene Einbrüche glättet.
ImplikationFenster-bewusste Spieler hatten ein 10-Tage-Fenster (17.–27. April), in dem Bangkok-Under-Wetten einen klaren Edge hatten (~6–9 % Lift). Das Fenster ist nun geschlossen — der Bangkok-Schwellenwert hat sich re-stabilisiert, da April-Muster dominieren. Diese Art Edge lebt Tage, nicht Wochen.
- #5
Over-Bias in Spitzenstunden aus Fenster A blieb bestehen
Die 4,3-Fahrzeuge-Überschreitung in Spitzenstunden, die wir in Fenster A gemessen haben, ist in Fenster B weiterhin vorhanden (jetzt 4,0 Fahrzeuge — im Rauschen). Over-Trefferquoten in Spitzenfenstern liegen weiterhin 5–8 Punkte über den Off-Peak-Werten.
ImplikationDies ist der robusteste Befund über beide Fenster: Der Schwellenwert-Algorithmus unterkorrigiert Spitzenstunden konsistent. Wenn man aus dieser ganzen Studie nur eine Regel behält, dann „Over-Wetten, Spitzenfenster, alle sechs Kameras".
Netto-Urteil nach 60 Tagen Logging
Zwei Befunde sehen jetzt wirklich robust aus: der Over-Bias in Spitzenstunden (in beiden Fenstern vorhanden, gleiche Magnitude) und die Tokio/NYC-Nachtpeaks (in Fenster B etwas größer). Der Songkran-getriebene Bangkok-Edge war ein 10-Tage-Fenster, das sich geschlossen hat — nützlich als kalenderbewusste Erinnerung, keine Strategie. Wir loggen weiter.
Wohin das als Nächstes geht
Fenster B (April-Mai 2026) ist eingelogged — scrollen Sie nach unten für den Vergleich. Das nächste 30-Tage-Fenster läuft Mai-Juni 2026 und konzentriert sich auf das vor-monsunale Bangkok und den Beginn des NYC-Sommer-Touristen-Anstiegs. Wir instrumentieren auch Wette-für-Wette-Logs bei drei Anbietern, um den angezeigten Schwellenwert gegen die angezeigten Auszahlungsquoten querzuprüfen — das sollte uns ermöglichen, den Hausvorteil pro Wettart präziser zu messen, als diese Studie konnte.
Wenn Sie Updates verfolgen oder Feedback zur Methodik geben möchten, kontaktieren Sie marcus@cctvgame.org. Roh-Rundendaten sind auf Anfrage verfügbar — wir haben keine NDA mit 155.io und die zugrundeliegenden Werte werden während jeder Runde öffentlich angezeigt, also gibt es nichts zu verbergen.