app.py

import gradio as gr
from transformers import TimeSeriesTransformerForPrediction, TimeSeriesTransformerConfig
import pandas as pd
import numpy as np

# Carregar configuração do modelo
config = TimeSeriesTransformerConfig.from_pretrained("google/timesfm-2.0-500m-pytorch")

# Definir parâmetros obrigatórios
config.prediction_length = 3       # Períodos futuros a prever
config.context_length = 12         # Períodos históricos usados (ex: 12 meses)

# Carregar modelo com a configuração ajustada
model = TimeSeriesTransformerForPrediction.from_pretrained(
    "google/timesfm-2.0-500m-pytorch",
    config=config,
    torch_dtype="auto"
)

def prever_vendas(historico):
    # Converter entrada em lista de números
    historico = [float(x) for x in historico.split(",")]
    
    # Garantir que o histórico tem o tamanho do context_length
    if len(historico) != config.context_length:
        raise ValueError(f"Histórico deve ter {config.context_length} valores (context_length).")
    
    # Preparar dados
    data = pd.Series(historico)
    
    # Gerar previsão
    forecast = model.predict(data, prediction_length=config.prediction_length)
    return np.round(forecast.mean, 2).tolist()

# Interface Gradio
iface = gr.Interface(
    fn=prever_vendas,
    inputs=gr.Textbox(label=f"Histórico de Vendas ({config.context_length} meses, separados por vírgulas)"),
    outputs=gr.Textbox(label=f"Previsão para os Próximos {config.prediction_length} Meses"),
    examples=[
        ["140,155,160,145,150,165,170,160,175,160,155,170"],  # 12 meses (context_length=12)
    ]
)

iface.launch()