¿Cuántas personas cruzarán su puerta la próxima semana?
Elija una ubicación y lea la próxima semana en una frase. Después vuelva atrás en el tiempo para ver cuánto acertó la previsión, compare cuatro métodos o pruebe sus propios datos. Todo se calcula en su navegador.
La demo necesita JavaScript. El modelo y dos años de recuentos ocupan unos 700 KB y se descargan una sola vez.
La demo en sí está en inglés, como sus datos.
Datos reales: visitantes diarios contados por sensores en calles de Melbourne (City of Melbourne, CC BY 4.0), en los dos últimos años. Aquí se muestran ocho ubicaciones; los resultados de abajo cubren las 65.
11,1%Error medio de previsión a cuatro semanas vista, en 65 ubicaciones y 12 fechas posteriores al fin de los datos de entrenamiento. Copiar las cifras de la semana pasada: 14,3%.
83%De los días reales caen dentro del rango probable de nuestro modelo, que apunta al 80%.
600 KBEl modelo completo. Funciona en esta página y, en cualquier servidor, actualiza cada ubicación cada mañana. Sin GPU, sin factura de API.
Cómo funciona
DatosDos años de recuentos diarios en 65 ubicaciones. Los días con horas sin datos quedan como huecos, no como suposiciones. Su serie dibujada recibe el mismo trato.
Métodos«Igual que la semana pasada», el suavizado exponencial y nuestro modelo de gradient boosting se ejecutan en su dispositivo; el modelo fundacional se ejecutó una vez en una GPU. Los cuatro se evaluaron igual: entrenados con datos anteriores a mayo de 2026 y después puestos a prever doce fechas que nunca habían visto.
ResultadosSuavizado exponencial: 11,9% de error. Chronos-Bolt, un gran modelo de previsión listo para usar, ejecutado en una GPU: 10,8%, prácticamente igual de preciso que el nuestro, con un modelo demasiado grande para un navegador. Una previsión a cuatro semanas tarda aquí 2 ms.
Qué obtieneUna previsión con rango para cada ubicación, cada mañana, en la herramienta que ya usa, y una cifra honesta de cuánto puede fallar. Sin GPU, sin factura de API.
Código, flujo de datos y el benchmark completo: github.com/balticml/demand-forecasting. ¿Lo quiere para sus pedidos, llamadas o visitas? Contacte con nosotros