Combien de personnes passeront votre porte la semaine prochaine ?

Choisissez un site et lisez la semaine prochaine en une phrase. Remontez ensuite le temps pour voir la justesse de la prévision, comparez quatre méthodes ou essayez vos propres chiffres. Tout est calculé dans votre navigateur.

La démo nécessite JavaScript. Le modèle et deux ans de comptages pèsent environ 700 KB, téléchargés une seule fois.

La démo elle-même est en anglais, comme ses données.

Données réelles : visiteurs quotidiens comptés par des capteurs de rue à Melbourne (City of Melbourne, CC BY 4.0), sur les deux dernières années. Huit emplacements sont présentés ici ; les résultats ci-dessous couvrent les 65.

11,1%Erreur moyenne de prévision à quatre semaines, sur 65 sites et 12 dates après la fin des données d'entraînement. Recopier les chiffres de la semaine dernière : 14,3 %.

83%Des jours réels tombent dans la fourchette probable de notre modèle, qui vise 80%.

600 KoLe modèle entier. Il tourne dans cette page et, sur n'importe quel serveur, met à jour chaque site chaque matin. Sans GPU, sans facture d'API.

Comment ça marche

DonnéesDeux ans de comptages quotidiens sur 65 sites. Les jours avec des heures manquantes restent des trous, pas des suppositions. Votre série dessinée est traitée de la même façon.

Méthodes« Comme la semaine dernière », le lissage exponentiel et notre modèle de gradient boosting tournent sur votre appareil ; le modèle de fondation a été exécuté une fois sur GPU. Les quatre ont été testés de la même façon : entraînés sur les données antérieures à mai 2026, puis chargés de prévoir douze dates qu'ils n'avaient jamais vues.

RésultatsLissage exponentiel : 11,9 % d'erreur. Chronos-Bolt, un grand modèle de prévision prêt à l'emploi exécuté sur GPU : 10,8 %, pratiquement aussi précis que le nôtre, avec un modèle trop gros pour un navigateur. Une prévision à quatre semaines prend ici 2 ms.

Ce que vous obtenezUne prévision avec intervalle pour chaque site, chaque matin, dans l'outil que vous utilisez déjà, et un chiffre honnête sur sa marge d'erreur. Sans GPU, sans facture d'API.

Code, chaîne de données et benchmark complet : github.com/balticml/demand-forecasting. Vous voulez cela pour vos commandes, appels ou visiteurs ? Contactez-nous