Hvor mange kommer ind ad din dør i næste uge?
Vælg et sted, og læs næste uge i én sætning. Gå derefter tilbage i tiden, og se, hvor godt prognosen ramte, sammenlign fire metoder, eller prøv dine egne tal. Alt beregnes i din browser.
Demoen kræver JavaScript. Modellen og to års tællinger fylder omkring 700 KB og hentes én gang.
Selve demoen er på engelsk, ligesom dens data.
Rigtige data: daglige besøgende talt af gadesensorer i Melbourne (City of Melbourne, CC BY 4.0), de seneste to år. Her vises otte steder; resultaterne nedenfor dækker alle 65.
11,1%Gennemsnitlig prognosefejl fire uger frem, på 65 steder og 12 datoer efter træningsdataenes slutning. At kopiere sidste uges tal: 14,3 %.
83%Af de faktiske dage lå inden for vores models sandsynlige interval, der sigter mod 80 %.
600 KBHele modellen. Den kører på denne side og opdaterer hvert sted hver morgen på enhver server. Ingen GPU, ingen API-regning.
Sådan virker det
DataTo års daglige besøgstællinger på 65 steder. Dage med manglende timer bliver huller, ikke gæt. Din tegnede serie behandles på samme måde.
MetoderSamme som sidste uge, eksponentiel udglatning og vores gradient boosting-model kører på din enhed; foundation-modellen blev kørt én gang på en GPU. Alle fire blev testet på samme måde: trænet på data fra før maj 2026 og derefter bedt om at forudsige tolv datoer, de aldrig havde set.
ResultaterEksponentiel udglatning: 11,9 % fejl. Chronos-Bolt, en stor færdigbygget prognosemodel, der kører på en GPU: 10,8 %, praktisk talt lige så præcis som vores, fra en model, der er for stor til en browser. En prognose for fire uger tager her 2 ms.
Hvad du fårEn prognose med interval for hvert sted, hver morgen, i det værktøj, du allerede bruger, og et ærligt tal for, hvor meget den vil ramme ved siden af. Ingen GPU, ingen API-regning.
Kode, datapipeline og hele sammenligningen: github.com/balticml/demand-forecasting. Vil du have det på dine ordrer, opkald eller besøgende? Tag kontakt