Скільки людей прийде до вас наступного тижня?
Оберіть локацію й прочитайте наступний тиждень одним реченням. Потім поверніться в минуле й подивіться, наскільки точним був прогноз, порівняйте чотири методи або спробуйте власні числа. Усе обчислюється у вашому браузері.
Для демо потрібен JavaScript. Модель і два роки підрахунків займають близько 700 KB і завантажуються один раз.
Саме демо англійською, як і його дані.
Реальні дані: щоденна кількість перехожих із вуличних датчиків у Мельбурні (City of Melbourne, CC BY 4.0), за останні два роки. Тут показано вісім локацій; результати нижче охоплюють усі 65.
11,1%Середня похибка прогнозу на чотири тижні вперед, у 65 локаціях і на 12 датах після кінця навчальних даних. Копія чисел минулого тижня: 14,3%.
83%Реальних днів потрапляють у ймовірний діапазон нашої моделі, який розрахований на 80%.
600 KBУся модель. Вона працює на цій сторінці, а на будь-якому сервері щоранку оновлює кожну локацію. Без GPU, без рахунків за API.
Як це працює
ДаніДва роки щоденної кількості відвідувачів у 65 локаціях. Дні з пропущеними годинами — це прогалини, а не здогадки. Намальований вами ряд обробляється так само.
МетодиКопія минулого тижня, експоненційне згладжування та наша модель gradient boosting працюють на вашому пристрої; базову модель запустили один раз на GPU. Усі чотири перевірено однаково: навчено на даних до травня 2026 року, а потім доручено спрогнозувати дванадцять дат, яких вони не бачили.
РезультатиЕкспоненційне згладжування: похибка 11,9%. Chronos-Bolt, велика готова модель прогнозування, запущена на GPU: 10,8%, практично так само точно, як наша, але з моделі, завеликої для браузера. Прогноз на чотири тижні тут займає 2 ms.
Що ви отримуєтеПрогноз з інтервалом для кожної локації, щоранку, в інструменті, яким ви вже користуєтеся, і чесне число про те, наскільки він може помилятися. Без GPU, без рахунків за API.
Код, обробка даних і повний бенчмарк: github.com/balticml/demand-forecasting. Хочете таке для своїх замовлень, дзвінків чи відвідувачів? Зв'язатися