metadata
title: Predicty Forecast API
emoji: 📈
colorFrom: green
colorTo: blue
sdk: docker
app_port: 7860
pinned: false
Predicty · Sales Forecast API (v2 — teaching edition)
Backend พยากรณ์ยอดขายสำหรับหลักสูตร Non-Degree นักวิเคราะห์ข้อมูลและแบบจำลองเชิงพยากรณ์ กรณีศึกษา: ENT Group (ข้อมูลใบเสนอราคา + ใบเสร็จจริง 90 เดือน)
หลักการออกแบบ: "อ่านผลอย่างซื่อสัตย์"
ตัวเลขความแม่นยำทุกตัวใน API นี้มาจาก การทดสอบย้อนหลังจริง (rolling-origin backtest) ไม่มีค่าใดที่คำนวณขึ้นเองเพื่อให้ดูดี
| v1 | v2 |
|---|---|
confidence = 1 - resid/mean (สูตรกุขึ้นเอง → โชว์ 94%) |
accuracy.mape จาก backtest จริง |
| ช่วงความเชื่อมั่นกว้างเท่ากันทุกเดือน | σ วัดแยกตามระยะ → กว้างขึ้นตามระยะ |
guardrails บีบค่าเงียบ ๆ |
ปิดโดยปริยาย เปิดแล้วรายงานว่าตัดเดือนไหน |
| เลือกโมเดลจาก holdout ครั้งเดียว ≤3 เดือน | rolling-origin หลายจุดเริ่ม + ตารางอันดับทุกโมเดล + skill score |
| ไม่มี baseline | naive / mean3 / seasonal_naive เป็นด่านที่โมเดลต้องเอาชนะ |
Endpoints
| Method | Path | ใช้ทำอะไร |
|---|---|---|
| GET | / |
รายการ endpoint + คำอธิบายโมเดล |
| GET | /health |
health check |
| GET | /api/sample |
ข้อมูลจริง ENT 90 เดือน (ให้ UI กดโหลด) |
| POST | /api/forecast |
พยากรณ์ + ตารางเทียบโมเดล + ยอดรวมทั้งช่วง + คำเตือน |
| POST | /api/backtest |
ทดสอบย้อนหลังอย่างเดียว (หน้าจอ "เทียบโมเดล") |
| POST | /api/decompose |
STL: trend / seasonal / residual + ความแรงองค์ประกอบ |
| POST | /api/diagnostics |
ADF, ACF/PACF, คุณภาพข้อมูล, คำแนะนำพารามิเตอร์ SARIMA |
ตัวอย่าง
curl -X POST https://Therdpoom-forcast.hf.space/api/forecast \
-H "Content-Type: application/json" \
-d '{"data":[{"date":"2025-01","sales":100}, ...],
"periods":6, "model":"auto", "interval":80,
"drop_last_incomplete":true, "guardrails":false}'
พารามิเตอร์ของ /api/forecast
| ชื่อ | ค่าปริยาย | ความหมาย |
|---|---|---|
data |
— | [{date:"YYYY-MM", sales:number}] อย่างน้อย 6 เดือน |
periods |
6 | จำนวนเดือนที่พยากรณ์ (1–24) |
model |
auto |
auto | naive | mean3 | seasonal_naive | linear | holtwinters | sarima |
interval |
80 | ระดับช่วงความเชื่อมั่น: 80 / 90 / 95 |
drop_last_incomplete |
false | ตัดเดือนสุดท้าย (มักเก็บข้อมูลไม่ครบ) ก่อนฝึกโมเดล |
guardrails |
false | บีบค่าพยากรณ์ให้อยู่ใน [avg/3, avg×3] — เปิดแล้วจะรายงานเดือนที่ถูกตัด |
ผลจริงกับข้อมูล ENT (89 เดือน, ตัด มิ.ย. 2026 ที่ยังไม่ครบ)
model MAPE รายเดือน MAPE ยอดรวม 6 เดือน skill vs seasonal_naive
linear 27.8% 16.6% +0.13
mean3 (baseline) 29.7% 16.5% +0.07
seasonal_naive 31.9% 21.7% 0.00
holtwinters 32.7% 16.8% -0.03
sarima 35.9% 21.2% -0.12
naive (baseline) 38.3% 30.3% -0.20
บทเรียนที่ได้จากตัวเลขชุดนี้
- โมเดลซับซ้อน (SARIMA / Holt-Winters) แพ้ ค่าเฉลี่ย 3 เดือนล่าสุด — สอดคล้องกับผล STL ที่วัดความแรงฤดูกาลได้เพียง 0.17 และ residual กินความผันผวนไป 63%
- พยากรณ์ ยอดรวม 6 เดือน ผิดแค่ ~17% เทียบกับรายเดือน ~28% → ถ้าจะตั้งเป้า ให้ตั้งเป็นยอดรวมไตรมาส/ครึ่งปี ไม่ใช่รายเดือน
- เพดานของการพยากรณ์ถูกกำหนดโดย ข้อมูล ไม่ใช่โมเดล — ตรงกับบทเรียนจาก Win/Loss Classifier (AUC ~0.65) ในกรณีศึกษาเดียวกัน
การรันในเครื่อง
pip install -r requirements.txt
python app.py # http://localhost:7860