Hányan lépnek be az ajtaján jövő héten?

Válasszon helyszínt, és olvassa el a jövő hetet egyetlen mondatban. Aztán lépjen vissza az időben, és nézze meg, mennyire volt pontos az előrejelzés, hasonlítson össze négy módszert, vagy próbálja ki saját számaival. Minden a böngészőjében számolódik.

A demóhoz JavaScript szükséges. A modell és két év számlálásai kb. 700 KB, egyszer töltődnek le.

Maga a demó angol nyelvű, akárcsak az adatai.

Valódi adatok: utcai érzékelők által számlált napi látogatók Melbourne-ben (City of Melbourne, CC BY 4.0), az elmúlt két évből. Itt nyolc helyszín látható; az alábbi eredmények mind a 65-re vonatkoznak.

11,1%Átlagos előrejelzési hiba négy hétre előre, 65 helyszínen és 12 dátumon a tanítóadatok vége után. A múlt heti számok átvétele: 14,3%.

83%A valós napok ennyi része esett modellünk valószínű tartományába, amely 80%-ot céloz.

600 KBA teljes modell. Ezen az oldalon fut, és bármilyen szerveren minden reggel frissít minden helyszínt. GPU és API-számla nélkül.

Hogyan működik

AdatokKét év napi látogatószámai 65 helyszínen. A hiányzó órás napok hézagok, nem becslések. Az Ön által rajzolt sor ugyanígy kezelődik.

MódszerekA múlt heti érték, az exponenciális simítás és gradient boosting modellünk az Ön eszközén fut; az alapmodellt egyszer futtattuk GPU-n. Mind a négyet ugyanígy teszteltük: 2026 májusa előtti adatokon tanítottuk őket, majd tizenkét olyan dátumot kellett előre jelezniük, amelyet sosem láttak.

EredményekExponenciális simítás: 11,9% hiba. Chronos-Bolt, egy nagy, kész előrejelző modell GPU-n futtatva: 10,8%, gyakorlatilag ugyanolyan pontos, mint a miénk, csak egy böngészőhöz túl nagy modellből. Egy négyhetes előrejelzés itt 2 ms.

Amit kapElőrejelzés sávval minden helyszínre, minden reggel, a már használt eszközében, és egy őszinte szám arról, mennyit tévedhet. GPU és API-számlák nélkül.

Kód, adatfeldolgozás és a teljes benchmark: github.com/balticml/demand-forecasting. Ilyet szeretne a rendeléseire, hívásaira vagy látogatóira? Vegye fel a kapcsolatot