MFBDA's picture
Update app.py
9068905 verified
raw
history blame
1.29 kB
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")
config.prediction_length = 3 # Defina o número de meses a serem previstos
# 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(",")]
# Preparar dados (ajuste conforme o formato esperado pelo modelo)
data = pd.Series(historico)
# Gerar previsão
forecast = model.predict(data, prediction_length=3) # Usar a mesma prediction_length da config
return np.round(forecast.mean, 2).tolist()
# Interface Gradio
iface = gr.Interface(
fn=prever_vendas,
inputs=gr.Textbox(label="Histórico de Vendas (separado por vírgulas)"),
outputs=gr.Textbox(label="Previsão para os Próximos 3 Meses"),
examples=[
["140,155,160,145,150,165,170,160,175,160,155,170"], # Exemplo do Produto C
]
)
iface.launch()