Ilu klientów odwiedzi Cię w przyszłym tygodniu?
Wybierz lokalizację i przeczytaj przyszły tydzień w jednym zdaniu. Potem cofnij się w czasie i sprawdź, jak trafna była prognoza, porównaj cztery metody albo wpisz własne liczby. Wszystko liczy się w przeglądarce.
Demo wymaga JavaScriptu. Model i dwa lata pomiarów to około 700 KB, pobierane raz.
Samo demo jest po angielsku, tak jak jego dane.
Prawdziwe dane: dzienna liczba przechodniów z czujników ulicznych w Melbourne (City of Melbourne, CC BY 4.0), z ostatnich dwóch lat. Pokazujemy tu osiem lokalizacji; wyniki poniżej obejmują wszystkie 65.
11,1%Średni błąd prognozy na cztery tygodnie naprzód, w 65 lokalizacjach, dla 12 dat po końcu danych treningowych. Powtórzenie liczb z zeszłego tygodnia: 14,3%.
83%Prawdziwych dni mieści się w prawdopodobnym zakresie naszego modelu, który celuje w 80%.
600 KBCały model. Działa na tej stronie, a na dowolnym serwerze co rano odświeża każdą lokalizację. Bez GPU, bez rachunków za API.
Jak to działa
DaneDwa lata dziennych pomiarów z 65 lokalizacji. Dni z brakującymi godzinami są lukami, nie zgadywaniem. Narysowany przez Ciebie szereg jest traktowany tak samo.
MetodyKopia zeszłego tygodnia, wygładzanie wykładnicze i nasz model gradient boosting działają na Twoim urządzeniu; model bazowy uruchomiono raz na GPU. Wszystkie cztery sprawdzono tak samo: wytrenowano je na danych sprzed maja 2026, a potem poproszono o prognozę dla dwunastu dat, których nie widziały.
WynikiWygładzanie wykładnicze: błąd 11,9%. Chronos-Bolt, duży gotowy model prognostyczny uruchomiony na GPU: 10,8%, praktycznie tak samo dokładnie jak nasz, choć to model zbyt duży na przeglądarkę. Prognoza na cztery tygodnie zajmuje tu 2 ms.
Co dostajeszPrognozę z przedziałem dla każdej lokalizacji, co rano, w narzędziu, którego już używasz, i uczciwą liczbę mówiącą, jak bardzo może się mylić. Bez GPU, bez rachunków za API.
Kod, przetwarzanie danych i pełny benchmark: github.com/balticml/demand-forecasting. Chcesz tego dla swoich zamówień, połączeń albo klientów? Napisz do nas