Nous avons suivi 10 247 Rush Hour rounds, un par un
Pendant tout le mois de mars 2026, nous avons fait tourner un log continu sur les six flux caméra Rush Hour de 155.io — en enregistrant le seuil affiché, le comptage IA de véhicules et le résultat de chaque round sur chaque flux. 10 247 rounds plus tard, voici ce que les chiffres racontent sur une catégorie de paris plus jeune que les caméras de vidéosurveillance sur lesquelles elle tourne.
Méthodologie
Nous avons interrogé les six flux urbains Rush Hour de 155.io toutes les 30 secondes, en continu. L'entier de comptage de véhicules de chaque round, capturé au moment du lock à T+55s, était enregistré avec l'ID caméra, une paire d'horodatages (UTC et local), le seuil affiché et le résultat du round (over, under ou exact). Nous avons écarté 37 rounds interrompus par des coupures de flux.
Aucune de ces données ne vient de mises en argent réel — chaque résultat de round ici est purement observationnel. 155.io affiche son seuil, son comptage IA et son résultat à quiconque regarde, mise active ou non, pendant chaque round. Ce que nous avons construit, c'est un lecteur passif de ces chiffres publics, interrogeant le système toutes les 30 secondes pour que rien ne nous échappe sur les six flux.
Nous avons retiré 37 rounds de l'analyse — coupures de flux ou comptages tellement invraisemblables qu'il s'agissait clairement d'erreurs de flux — même s'ils restent listés dans le log brut pour qui veut vérifier. Cela représente 0,36% du total, assez peu pour que leur exclusion ne change pas vraiment les conclusions ci-dessous.
Chaque horodatage est stocké deux fois — une fois en UTC, une fois converti à l'heure locale de la caméra. Tous les découpages horaires utilisent l'heure locale, donc quand nous parlons de « pic », nous parlons du pic dans la ville de cette caméra, pas d'un pic sur une horloge UTC quelconque.
Les chiffres, ville par ville
Chaque chiffre ci-dessous provient de la fenêtre 2026-03-01 → 2026-03-30.
| Ville | Rounds | Moyenne | Médiane | Écart-type | Min – Max | Over % |
|---|---|---|---|---|---|---|
| Londres | 1 731 | 36.4 | 39 | 18.2 | 4 – 89 | 51.2% |
| Tokyo | 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% |
| Taipei | 1 651 | 33.8 | 36 | 14.2 | 4 – 78 | 51.7% |
Ville par ville : les meilleurs points pour les paris Range
Ce que les données montrent vraiment
Six schémas tirés du jeu de données, classés par importance.
- 1
Over/Under reste proche du pile ou face dans chaque ville
Sur les six caméras, les taux de réussite Over/Under se situent entre 49,8% (Tokyo) et 53,4% (Bangkok) — un écart de seulement 1,3 point de pourcentage.
Ce que ça changeCe regroupement serré montre que la mécanique de seuil de 155.io fonctionne bien. Sur la durée, c'est presque 50/50 pour le joueur, l'avantage de la maison étant intégré au paiement de ~1,8× plutôt qu'à un véritable even-money à 2×.
- 2
Bangkok varie le plus — et affiche aussi la moyenne la plus haute
L'écart-type de Bangkok, 22,7, dépasse celui de Taipei (14,2) de 60%, et sa moyenne de 43,6 devance également les 33,8 de Taipei. Pour tenir le taux de réussite sur le flux de Bangkok, les paris Range ont besoin de bandes de 15-20 entiers.
Ce que ça changeSi vous cherchez la prévisibilité, Taipei bat Bangkok haut la main. Les chasseurs d'Exact Count s'en sortent aussi moins bien à Bangkok — environ 1 réussite sur 28 tentatives, contre près de 1 sur 19 sur le flux de Sydney.
- 3
Les seuils affichés se font dépasser en heures de pointe
Dans la fenêtre de pointe de chaque ville, les comptages que nous avons enregistrés dépassaient le seuil publié par le système de 4,3 véhicules en moyenne. L'écart tient statistiquement (p < 0,01) dans les six villes.
Ce que ça changeEn heures de pointe, les paris Over devancent les paris Under de 5-8 points de pourcentage — la mécanique de seuil semble sous-corriger légèrement une densité d'heure de pointe pourtant déjà connue. L'avantage est réel, mais mince, et disparaît dès qu'on sort de la pointe.
- 4
La météo bouge les chiffres plus vite que l'algorithme ne s'ajuste
Une pluie forte — à partir de 5mm/h, 41 cas dans notre échantillon — fait chuter les comptages de 12-18% dans toutes les villes. 155.io n'ajuste son seuil affiché que d'environ 6% en retour, ce qui laisse un vrai biais Under pendant les précipitations.
Ce que ça changeLes parieurs qui suivent la météo en direct peuvent pencher vers Under pendant une averse dans n'importe laquelle des six villes, pour un avantage estimé de 2-3% — même si notre échantillon de pluie est réduit et les intervalles de confiance larges.
- 5
Tokyo et New York trouvent un second souffle après la tombée de la nuit
Entre 22h00 et minuit, Tokyo et NYC affichent chacune un second pic de comptage quand leurs quartiers de sortie se vident — 30-45% au-dessus des heures les plus calmes de la journée.
Ce que ça changeCes fenêtres tardives conviennent bien aux paris Range : activité élevée mais contenue. Londres montre une version plus modeste du même effet vers 22h30, à la sortie des théâtres.
- 6
Les réussites Exact Count ne se répartissent pas uniformément sur la plage
Les comptages se regroupent près de la moyenne de chaque ville, si bien qu'un pari sur l'entier médian touche 2-3× plus souvent qu'un pari sur la moyenne ± 1,5 écart-type.
Ce que ça changePour qui tient à jouer Exact Count, parier sur la médiane de la fenêtre en cours bat le choix d'un entier au hasard dans la plage du seuil. Les maths restent en faveur de la maison — juste avec une marge plus faible.
Où cette étude montre ses limites
Aucun jeu de données n'est parfait. Voici les quatre lacunes qui nous semblent les plus importantes.
Une seule tranche de 30 jours dans l'année
Un seul mois ne capture qu'une saison par hémisphère, et les variations saisonnières — Noël à NYC, Songkran à Bangkok, été à Sydney — modifient probablement ces chiffres. Notre prochaine fenêtre d'étude court d'avril à juin 2026 pour saisir la dérive du début à la fin du printemps.
Nous ne voyons pas l'intérieur de la formule de seuil de 155.io
Nous ne voyons que le chiffre affiché par le système, pas le calcul qui le produit. Toute affirmation ici sur la sur- ou sous-correction vient de l'observation des sorties, pas de la lecture du code source.
Tous les flux ne tiennent pas aussi bien la route
Les flux de Sydney et Taipei coupent parfois brièvement, ce qui retire complètement des rounds de notre log. Nous n'avons aucun moyen de vérifier si le comptage interne de 155.io correspondait au nôtre sur ces rounds manqués.
Un seul angle fixe par ville, pas la ville entière
Chaque ville nous fournit une seule caméra sur un seul carrefour. Appeler cela « le trafic de Londres » est exagéré — ce que nous étudions vraiment, c'est une vue précise de Piccadilly Circus, pas Londres dans son ensemble.
Comment les chiffres ont bougé en Fenêtre B
En bref: Voici notre deuxième passage de logging de 30 jours, du 8 avril au 7 mai, construit selon la même méthodologie que la Fenêtre A : chaque round, chaque caméra, seuil affiché plus comptage IA plus résultat. Nous avons lancé cette fenêtre spécifiquement pour tester les questions de dérive saisonnière soulevées par la Fenêtre A : Bangkok se calme-t-elle une fois Songkran terminé ? La dispersion de Sydney bouge-t-elle avec l'arrivée de l'automne ? Et l'algorithme de seuil s'adapte-t-il réellement à tout cela ?
Ville par ville, Fenêtre A contre Fenêtre B
| Ville | Moyenne, A | Moyenne, B | Variation % |
|---|---|---|---|
| Londres | 36.4 | 37.9 | +4.1% |
| Tokyo | 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% |
| Taipei | 33.8 | 34.2 | +1.2% |
Ce qu'apportent les nouvelles données
- #1
Après Songkran, la moyenne de Bangkok a chuté de 8,7 %
Bangkok affichait une moyenne de 43,6 véhicules en Fenêtre A ; ce chiffre tombe à 39,8 en Fenêtre B — une baisse de 8,7 %. Presque toute cette baisse se concentre sur la tranche 11h00-16h00 (-15 %), où les foules du festival Songkran avaient gonflé les chiffres de la Fenêtre A. Les comptages de fin de nuit ont à peine bougé.
Ce que ça changeLes paris Over qui payaient pendant les pics diurnes de Bangkok en Fenêtre A n'ont plus d'avantage — les comptages sont revenus plus près du seuil. Songkran (mi-avril) est le plus gros sursaut saisonnier que nous ayons enregistré jusqu'ici ; les parieurs qui suivent le calendrier devraient s'attendre à des baisses similaires autour d'autres fêtes régionales.
- #2
La dispersion de Sydney s'est élargie de 14 % avec le changement du trafic automnal
L'écart-type de Sydney est passé de 15,4 à 17,6 — un bond de 14 % — alors que la moyenne a légèrement reculé (de 28,1 à 26,3). En creusant, c'est la variabilité des jours de pluie qui explique tout : avril a compté 11 jours pluvieux contre 4 en mars, et ces jours-là les comptages oscillent de plus de 30 % par rapport à la base des jours secs.
Ce que ça changeLes paris Range sur Sydney ont désormais besoin de bandes 1-2 entiers plus larges qu'en Fenêtre A pour tenir le taux de réussite. Le schéma « Taipei variance la plus faible, Sydney juste derrière » de la Fenêtre A ne tient plus — Sydney est passée en zone de variance moyenne.
- #3
Les pics nocturnes de Tokyo et NYC ne se sont pas juste répétés — ils se sont renforcés
Le pic secondaire entre 22h00 et minuit, repéré à Tokyo comme à NYC en Fenêtre A, est revenu plus fort en Fenêtre B. Les comptages nocturnes de Tokyo sont désormais 41 % au-dessus des heures creuses, contre 33 % avant. Ceux de NYC sont 48 % au-dessus, contre 40 %. Des soirées de printemps plus douces semblent en être la cause — les quartiers de sortie restent animés plus longtemps.
Ce que ça changeLes paris Range nocturnes qui fonctionnaient en Fenêtre A (Tokyo 15-25, NYC 40-55) fonctionnent toujours en Fenêtre B — et les bandes peuvent désormais être un peu plus hautes (Tokyo 18-28, NYC 42-58) pour le même taux de réussite.
- #4
L'algorithme de seuil n'a pas réagi à la baisse post-Songkran
Pendant les deux premières semaines de la Fenêtre B, les comptages de Bangkok sont restés 8-12 % sous le seuil — une conséquence de Songkran — mais le seuil affiché lui-même n'a baissé que d'environ 2 % sur la même période. Cela pointe vers une base glissante longue, qui lisse les baisses ponctuelles au lieu d'y réagir.
Ce que ça changeLes parieurs attentifs au calendrier ont eu une vraie fenêtre de 10 jours (17-27 avril) où les paris Under sur Bangkok portaient un avantage net (environ 6-9 % de gain). Cette fenêtre s'est refermée depuis — le seuil de Bangkok a rattrapé son retard une fois les schémas habituels d'avril revenus. C'est le genre d'avantage qui dure des jours, pas des semaines.
- #5
Le biais Over des heures de pointe de la Fenêtre A a tenu bon
Le dépassement de 4,3 véhicules en heures de pointe relevé en Fenêtre A est toujours présent en Fenêtre B, désormais à 4,0 véhicules — un écart assez faible pour relever du bruit. Les taux de réussite Over en fenêtres de pointe restent 5-8 points devant les heures creuses.
Ce que ça changeSur les deux fenêtres confondues, c'est notre conclusion la plus solide : l'algorithme de seuil sous-corrige systématiquement les heures de pointe. S'il ne faut retenir qu'une seule règle de toute cette étude, c'est paris Over, fenêtres de pointe, n'importe laquelle des six caméras.
Où nous en sommes après 60 jours de logging
Deux conclusions tiennent sur les deux fenêtres : le biais Over en heures de pointe (même ampleur en A et B) et les pics nocturnes Tokyo/NYC (un peu plus marqués en B). L'avantage de Bangkok porté par Songkran, en revanche, était une fenêtre réelle mais courte de 10 jours — à retenir comme effet calendaire, pas comme base de stratégie. Nous continuons à logger.
Ce qui arrive ensuite
La Fenêtre B (avril-mai 2026) est déjà arrivée — faites défiler pour voir la comparaison. Notre prochain passage de 30 jours court de mai à juin 2026 et se concentre sur Bangkok pré-mousson et le début de la saison touristique estivale à NYC. En parallèle, nous mettons en place un logging pari par pari chez trois opérateurs pour comparer le seuil affiché aux cotes de paiement affichées — ce qui devrait nous donner une lecture plus fine de l'avantage de la maison par type de pari que ce que cette étude peut offrir seule.
Des retours sur la méthodologie, ou envie de suivre les prochaines mises à jour ? Écrivez-nous à info@cctvgame.org — aucun NDA ne nous lie à 155.io, et chaque valeur que nous enregistrons est de toute façon publique pendant le round.