Koliko ljudi bo naslednji teden prestopilo Vaš prag?
Izberite lokacijo in preberite naslednji teden v enem stavku. Nato se vrnite v preteklost in preverite, kako točna je bila napoved, primerjajte štiri metode ali preizkusite svoje številke. Vse se izračuna v Vašem brskalniku.
Predstavitev potrebuje JavaScript. Model in dve leti štetij imajo približno 700 KB in se prenesejo enkrat.
Sama predstavitev je v angleščini, tako kot njeni podatki.
Resnični podatki: dnevno število pešcev z uličnih senzorjev v Melbournu (City of Melbourne, CC BY 4.0), za zadnji dve leti. Tu je prikazanih osem lokacij; spodnji rezultati zajemajo vseh 65.
11,1%Povprečna napaka napovedi štiri tedne vnaprej, na 65 lokacijah in 12 datumih po koncu učnih podatkov. Kopija številk prejšnjega tedna: 14,3%.
83%Resničnih dni leži v verjetnem razponu našega modela, ki cilja na 80%.
600 KBCeloten model. Deluje na tej strani, na katerem koli strežniku pa vsako jutro osveži vse lokacije. Brez GPU, brez računa za API.
Kako deluje
PodatkiDve leti dnevnih števil obiskovalcev na 65 lokacijah. Dnevi z manjkajočimi urami ostanejo vrzeli, ne ugibanja. Vaša narisana vrsta je obravnavana enako.
MetodeKopija prejšnjega tedna, eksponentno glajenje in naš model gradient boosting tečejo na Vaši napravi; osnovni model je bil enkrat zagnan na GPU. Vsi štirje so bili preizkušeni enako: naučeni na podatkih pred majem 2026, nato pa so morali napovedati dvanajst datumov, ki jih niso nikoli videli.
RezultatiEksponentno glajenje: 11,9% napake. Chronos-Bolt, velik že pripravljen napovedni model, zagnan na GPU: 10,8%, praktično enako natančen kot naš, a gre za model, ki je prevelik za brskalnik. Štiritedenska napoved tu traja 2 ms.
Kaj dobiteNapoved z razponom za vsako lokacijo, vsako jutro, v orodju, ki ga že uporabljate, in pošteno številko o tem, koliko se bo zmotila. Brez GPU, brez računa za API.
Koda, obdelava podatkov in celotna primerjava: github.com/balticml/demand-forecasting. Želite to za svoja naročila, klice ali obiskovalce? Pišite nam