Quante persone entreranno dalla vostra porta la prossima settimana?
Scegliete un punto e leggete la prossima settimana in una frase. Poi tornate indietro nel tempo per vedere quanto era giusta la previsione, confrontate quattro metodi o provate i vostri numeri. Tutto è calcolato nel browser.
La demo richiede JavaScript. Il modello e due anni di conteggi pesano circa 700 KB e si scaricano una volta sola.
La demo è in inglese, come i suoi dati.
Dati reali: visitatori giornalieri contati da sensori stradali a Melbourne (City of Melbourne, CC BY 4.0), negli ultimi due anni. Qui sono mostrati otto punti; i risultati qui sotto li coprono tutti e 65.
11,1%Errore medio di previsione a quattro settimane, su 65 punti e 12 date dopo la fine dei dati di addestramento. Ricopiare i numeri della settimana scorsa: 14,3%.
83%Dei giorni reali cade nell'intervallo probabile del nostro modello, che punta all'80%.
600 KBL'intero modello. Gira in questa pagina e, su qualsiasi server, aggiorna ogni punto ogni mattina. Niente GPU, niente bolletta di API.
Come funziona
DatiDue anni di conteggi giornalieri in 65 punti. I giorni con ore mancanti restano lacune, non stime. La serie che disegnate viene trattata allo stesso modo.
Metodi«Come la settimana scorsa», il livellamento esponenziale e il nostro modello di gradient boosting girano sul vostro dispositivo; il foundation model è stato eseguito una volta su GPU. Tutti e quattro sono stati testati allo stesso modo: addestrati sui dati precedenti a maggio 2026, poi chiamati a prevedere dodici date mai viste.
RisultatiLivellamento esponenziale: 11,9% di errore. Chronos-Bolt, un grande modello di previsione pronto all'uso eseguito su GPU: 10,8%, praticamente preciso quanto il nostro, con un modello troppo grande per un browser. Una previsione a quattro settimane qui richiede 2 ms.
Cosa otteneteUna previsione con intervallo per ogni punto, ogni mattina, nello strumento che già usate, e un numero onesto su quanto potrà sbagliare. Niente GPU, niente bolletta di API.
Codice, pipeline dei dati e benchmark completo: github.com/balticml/demand-forecasting. Lo volete per i vostri ordini, chiamate o visitatori? Contattateci