---
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

```bash
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**

1. โมเดลซับซ้อน (SARIMA / Holt-Winters) **แพ้** ค่าเฉลี่ย 3 เดือนล่าสุด — สอดคล้องกับผล
   STL ที่วัดความแรงฤดูกาลได้เพียง 0.17 และ residual กินความผันผวนไป 63%
2. พยากรณ์ **ยอดรวม 6 เดือน** ผิดแค่ ~17% เทียบกับรายเดือน ~28% → ถ้าจะตั้งเป้า
   ให้ตั้งเป็นยอดรวมไตรมาส/ครึ่งปี ไม่ใช่รายเดือน
3. เพดานของการพยากรณ์ถูกกำหนดโดย **ข้อมูล** ไม่ใช่โมเดล — ตรงกับบทเรียนจาก
   Win/Loss Classifier (AUC ~0.65) ในกรณีศึกษาเดียวกัน

## การรันในเครื่อง

```bash
pip install -r requirements.txt
python app.py            # http://localhost:7860
```