Nous avons enregistré 10 247 Rush Hour rounds
Logging continu des six flux caméras Rush Hour de 155.io sur l'ensemble de mars 2026. Nous avons suivi le seuil affiché, le comptage IA et le résultat du round pour chaque round de chaque flux. Voici ce que 10 247 rounds nous disent sur une catégorie plus jeune que les caméras qui l'alimentent.
Méthodologie
Enregistrement continu de la sortie des caméras Rush Hour de 155.io avec un intervalle de polling de 30 secondes sur les six flux urbains. Les entiers du comptage de véhicules ont été capturés à T+55s (lock) et stockés avec l'ID caméra, le timestamp (UTC + local), la valeur de seuil affichée et le résultat (over/under/exact). Les rounds interrompus par une coupure de flux (37 au total) ont été exclus du jeu de données.
Nous n'avons placé aucun pari en argent réel pour recueillir ces données — les résultats des rounds sont observationnels. Le système affiche son seuil, le comptage IA et le résultat publiquement pendant chaque round, indépendamment de si vous avez une mise active. Notre log est une lecture passive de ces valeurs publiques, échantillonnées à intervalles de 30 secondes pour garantir la capture de chaque round sur les six flux.
Les rounds anormaux (37 au total — coupures de flux ou comptages invraisemblables causés par des erreurs de flux évidentes) ont été exclus de l'analyse mais figurent dans notre log brut. Cela représente 0,36% des rounds ; nous ne pensons pas que leur exclusion change matériellement aucune conclusion.
Nos timestamps sont stockés en UTC avec la conversion en heure locale pour chaque caméra. Les agrégats horaires utilisent l'heure locale afin que « pic » signifie « pic dans la ville de la caméra », pas « pic en UTC ».
Statistiques par ville
Tous les nombres reflètent la fenêtre 2026-03-01 → 2026-03-30.
| Ville | Rounds | Moyenne | Médiane | Écart-type | Min – Max | % Over-réussite |
|---|---|---|---|---|---|---|
| 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% |
Sweet spots des paris Range par ville
Conclusions clés
Six observations du jeu de données, par ordre d'importance.
- 1
Les taux de réussite Over/Under se regroupent autour de 50%
Sur les six caméras, les taux Over/Under tombent entre 49,8% (Tokyo) et 53,4% (Bangkok). L'écart-type entre caméras est de seulement 1,3 points de pourcentage.
ImplicationL'algorithme de seuil utilisé par 155.io est bien calibré. À long terme, du côté du joueur, c'est à peu près une pièce équitable, avec l'avantage de la maison intégré au paiement de ~1,8× (un véritable even-money paierait 2×).
- 2
Bangkok a la plus grande variance — et la moyenne la plus élevée
L'écart-type de Bangkok de 22,7 est 60% plus élevé que celui de Taipei (14,2). Le comptage moyen est de 43,6 contre 33,8 pour Taipei. Les paris Range à Bangkok nécessitent des bandes plus larges (15-20 entiers) pour maintenir le taux de réussite.
ImplicationLes joueurs qui veulent des schémas prévisibles devraient éviter Bangkok au profit de Taipei. Ceux qui poursuivent des paiements Exact Count ont des chances légèrement pires à Bangkok (~1 sur 28 vs ~1 sur 19 à Sydney).
- 3
Les heures de pointe dépassent les seuils affichés
Pendant la fenêtre de pointe de chaque ville, les comptages observés dépassent le seuil affiché par le système d'en moyenne 4,3 véhicules de plus qu'en heures creuses. Cet effet est statistiquement significatif (p < 0,01 pour chaque ville).
ImplicationEn heures de pointe, les paris Over surpassent les paris Under de 5-8 points de pourcentage. L'algorithme de seuil semble légèrement sous-corriger la densité connue des heures de pointe. Le biais Over est exploitable — mais l'avantage est mince et disparaît hors des fenêtres de pointe.
- 4
La météo affecte les comptages plus que les algorithmes ne compensent
La pluie forte (≥5mm/h, 41 événements dans notre échantillon) réduit les comptages de 12-18% à travers les villes. Les valeurs de seuil affichées par 155.io ne s'ajustent que de ~6%, laissant un biais Under mesurable pendant les précipitations.
ImplicationLes parieurs attentifs à la météo en direct peuvent pencher vers Under pendant les fortes pluies dans n'importe quelle ville avec un avantage estimé de 2-3% — mais l'échantillon est petit et les intervalles de confiance larges.
- 5
Tokyo et NYC montrent des pics nocturnes secondaires
Tokyo (22:00-00:00) et NYC (22:00-00:00) montrent un pic secondaire de comptage entraîné par la sortie des quartiers de divertissement. Les comptages sont 30-45% au-dessus de leurs heures creuses respectives.
ImplicationCe sont des fenêtres productives pour les paris Range — les comptages sont élevés mais bornés. La sortie des théâtres de Londres à 22:30 produit un effet similaire mais plus doux.
- 6
La probabilité d'Exact Count ne suit pas une distribution uniforme
Les comptages se regroupent autour de la moyenne de la ville. Un pari sur l'entier médian a 2-3× plus de chances de gagner qu'un pari sur la moyenne ± 1,5× écart-type.
ImplicationSi vous devez jouer Exact Count, parier sur le comptage médian de la fenêtre actuelle bat le pari sur un entier aléatoire dans la plage du seuil. Le retour attendu reste négatif, mais moins.
Limites que nous reconnaissons
Le jeu de données a des lacunes. Voici les quatre plus importantes.
Fenêtre d'un seul mois
Un échantillon de 30 jours capture une saison par hémisphère. Les effets saisonniers (Noël à NYC, Songkran à Bangkok, été à Sydney) déplacent probablement ces distributions ; la prochaine fenêtre d'étude sera avril-juin 2026 pour capturer la dérive début vs fin de printemps.
Pas d'accès à l'algorithme de seuil de 155.io
Nous observons le seuil affiché mais pas le calcul derrière. Les inférences sur la sur-correction ou sous-correction sont basées sur le comportement de sortie, pas la source.
Différences de qualité des flux
Les flux de Sydney et Taipei tombent parfois brièvement, ce qui retire des rounds de notre log. Nous ne pouvons pas vérifier si le comptage interne de 155.io diffère de notre log indépendant sur ces rounds.
Une seule caméra par ville
Chaque ville apporte un seul angle de caméra fixe. Généraliser de « Londres » au « trafic de Londres » est un étirement — nous étudions une vue spécifique de Piccadilly Circus, pas la ville.
Ce qui a changé dans la Fenêtre B
Résumé: Deuxième fenêtre de logging de 30 jours, du 8 avril au 7 mai. Même méthodologie que la Fenêtre A — chaque round, chaque caméra, seuil affiché + comptage IA + résultat. Le but de cette fenêtre : valider les hypothèses de dérive saisonnière de la Fenêtre A. Bangkok se refroidit-elle après Songkran ? La variance de Sydney se déplace-t-elle alors que l'automne s'installe ? L'algorithme de seuil s'adapte-t-il ?
Par ville : Fenêtre A → Fenêtre B
| Ville | Moy. (A) | Moy. (B) | Δ% |
|---|---|---|---|
| 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% |
Découvertes des nouvelles données
- #1
La moyenne de Bangkok a chuté de 8,7 % post-Songkran
La moyenne de Bangkok dans la Fenêtre A était de 43,6 véhicules ; dans la Fenêtre B elle est de 39,8 — une baisse de 8,7 %. La baisse se concentre sur la fenêtre 11:00–16:00 (-15 %) où le trafic du festival Songkran avait gonflé les chiffres de la Fenêtre A. Les comptages tardifs sont inchangés.
ImplicationLes paris Over à Bangkok qui fonctionnaient dans les pics de jour de la Fenêtre A n'ont plus d'edge positif — les comptages sont maintenant plus proches du seuil. Songkran (mi-avril) est le plus fort effet saisonnier unique observé ; les parieurs attentifs au calendrier devraient anticiper des chutes similaires lors d'autres fêtes régionales.
- #2
Variance de Sydney en hausse de 14 % alors que le schéma de navette automnal change
L'écart-type de Sydney est passé de 15,4 à 17,6 — une hausse de 14 %. La moyenne a légèrement baissé (28,1 → 26,3), mais l'étalement s'est élargi. L'inspection montre que la cause est la variabilité des jours de pluie : avril a eu 11 jours de pluie contre 4 en mars, et les comptages de jour pluvieux oscillent de 30 %+ par rapport à la base sèche.
ImplicationLes paris Range à Sydney ont besoin de bandes plus larges de 1-2 entiers dans la Fenêtre B que dans la Fenêtre A pour maintenir le taux de réussite. La stabilité "Taipei plus faible variance, Sydney juste derrière" de la Fenêtre A ne tient plus — Sydney est maintenant en variance moyenne.
- #3
Pics nocturnes Tokyo et NYC intensifiés — schéma Fenêtre A, amplitude plus grande
Le pic nocturne secondaire (22:00–00:00) à Tokyo comme à NYC s'est renforcé dans la Fenêtre B. Les comptages nocturnes de Tokyo étaient en moyenne 41 % au-dessus des heures creuses (33 % en Fenêtre A). Ceux de NYC 48 % au-dessus (40 %). Mécanisme : la météo. Le printemps amène une activité plus tardive/longue dans les quartiers de divertissement.
ImplicationLes paris Range nocturnes identifiés comme productifs en Fenêtre A (Tokyo 15-25, NYC 40-55) restent productifs en Fenêtre B — et les bandes peuvent être légèrement plus hautes (essayez Tokyo 18-28, NYC 42-58) pour le même taux de réussite.
- #4
L'algorithme de seuil ne s'est PAS adapté à la chute post-Songkran
Pendant les deux premières semaines de la Fenêtre B, les comptages post-Songkran de Bangkok étaient 8-12 % sous le seuil — mais le seuil affiché lui-même n'a baissé que de 2 % sur ces semaines. L'algorithme semble utiliser une baseline glissante longue qui lisse les baisses pilotées par événement.
ImplicationLes parieurs attentifs aux fenêtres ont eu une fenêtre de 10 jours (17-27 avril) où les paris Under à Bangkok avaient un edge clair (~6-9 % lift). La fenêtre est maintenant fermée — le seuil de Bangkok s'est re-stabilisé alors que les schémas d'avril dominent. Ce type d'edge vit des jours, pas des semaines.
- #5
Le biais Over en heures de pointe de la Fenêtre A a persisté
Le dépassement de 4,3 véhicules en heures de pointe mesuré dans la Fenêtre A est toujours présent dans la Fenêtre B (maintenant 4,0 véhicules — dans le bruit). Les taux de réussite Over dans les fenêtres de pointe restent 5-8 points au-dessus des heures creuses.
ImplicationC'est la découverte la plus robuste sur les deux fenêtres : l'algorithme de seuil sous-corrige systématiquement les heures de pointe. Si vous ne deviez retenir qu'une règle de toute cette étude, ce serait « paris Over, fenêtres de pointe, les six caméras ».
Verdict net après 60 jours de logging
Deux découvertes paraissent maintenant vraiment robustes : le biais Over en heures de pointe (présent dans les deux fenêtres, même magnitude) et les pics nocturnes Tokyo/NYC (légèrement plus grands en Fenêtre B). L'edge Bangkok porté par Songkran était une fenêtre de 10 jours qui s'est fermée — utile comme rappel calendar-aware, pas comme stratégie. Nous continuons à logger.
Où cela va ensuite
Fenêtre B (avril-mai 2026) est dans — faites défiler vers le bas pour la comparaison. La prochaine fenêtre de 30 jours sera mai-juin 2026 et se concentrera sur Bangkok pré-mousson et le début de la montée touristique estivale à NYC. Nous instrumentons également des logs pari par pari chez trois opérateurs pour recouper le seuil affiché contre les cotes de paiement affichées, ce qui devrait nous permettre de mesurer l'avantage de la maison par type de pari plus précisément que cette étude n'a pu le faire.
Si vous souhaitez suivre les mises à jour ou avez un retour sur la méthodologie, contactez marcus@cctvgame.org. Les données brutes au niveau du round sont disponibles sur demande — nous n'avons aucun NDA avec 155.io et les valeurs sous-jacentes sont affichées publiquement pendant chaque round, donc il n'y a rien à cacher.