Wie viele Menschen kommen nächste Woche durch Ihre Tür?

Wählen Sie einen Standort und lesen Sie die nächste Woche in einem Satz. Reisen Sie dann zurück in der Zeit, um zu sehen, wie gut die Prognose war, vergleichen Sie vier Methoden oder testen Sie eigene Zahlen. Alles wird in Ihrem Browser berechnet.

Die Demo benötigt JavaScript. Das Modell und zwei Jahre Zählungen sind etwa 700 KB und werden einmal geladen.

Die Demo selbst ist auf Englisch, wie ihre Daten.

Echte Daten: tägliche Besucherzahlen von Straßensensoren in Melbourne (City of Melbourne, CC BY 4.0), die letzten zwei Jahre. Hier sind acht Standorte zu sehen; die Ergebnisse unten gelten für alle 65.

11,1%Durchschnittlicher Prognosefehler vier Wochen im Voraus, an 65 Standorten zu 12 Terminen nach dem Ende der Trainingsdaten. Die Werte der Vorwoche übernehmen: 14,3 %.

83%Der tatsächlichen Tage lagen in der wahrscheinlichen Spanne unseres Modells, die auf 80 % zielt.

600 KBDas ganze Modell. Es läuft auf dieser Seite und aktualisiert auf jedem Server jeden Morgen jeden Standort. Ohne GPU, ohne API-Rechnung.

So funktioniert es

DatenZwei Jahre tägliche Besucherzählungen an 65 Standorten. Tage mit fehlenden Stunden bleiben Lücken statt Schätzungen. Ihre gezeichnete Reihe wird genauso behandelt.

MethodenWert der Vorwoche, exponentielle Glättung und unser Gradient-Boosting-Modell laufen auf Ihrem Gerät; das Foundation-Modell lief einmal auf einer GPU. Alle vier wurden gleich getestet: trainiert mit Daten vor Mai 2026, dann für zwölf Termine befragt, die sie nie gesehen hatten.

ErgebnisseExponentielle Glättung: 11,9 % Fehler. Chronos-Bolt, ein großes, fertiges Prognosemodell auf einer GPU: 10,8 %, also praktisch so genau wie unseres, aber von einem Modell, das für einen Browser zu groß ist. Eine Vierwochenprognose dauert hier 2 ms.

Was Sie bekommenEine Prognose mit Spanne für jeden Standort, jeden Morgen, in dem Werkzeug, das Sie bereits nutzen, und eine ehrliche Zahl dafür, wie sehr sie danebenliegen wird. Ohne GPU, ohne API-Rechnung.

Code, Datenpipeline und der vollständige Benchmark: github.com/balticml/demand-forecasting. Das für Ihre Bestellungen, Anrufe oder Besucher? Kontakt aufnehmen