Update app.py

app.py

@@ -18,16 +18,24 @@ model = TimeSeriesTransformerForPrediction.from_pretrained(
 
 def prever_vendas(historico):
     # Converter entrada em tensor
-    historico = [float(x) for x in historico.split(",") if x.strip()]  # Ignorar valores vazios
+    historico = [float(x) for x in historico.split(",") if x.strip()]
     if len(historico) != config.context_length:
-        raise ValueError(f"O histórico deve ter exatamente {config.context_length} valores numéricos.")
+        raise ValueError(f"Histórico deve ter {config.context_length} valores.")
     
-    # Formatar dados como tensor (batch, sequence_length)
+    # Formatar dados
     inputs = torch.tensor(historico).unsqueeze(0)
     
+    # Adicionar parâmetros ausentes (valores dummy para exemplo)
+    past_time_features = torch.zeros(1, config.context_length, 1)  # Ex: timestamps normalizados
+    past_observed_mask = torch.ones(1, config.context_length)      # Todos os dados observados
+    
     # Gerar previsão
     with torch.no_grad():
-        outputs = model(inputs)  # Método correto é __call__, não predict
+        outputs = model(
+            inputs,
+            past_time_features=past_time_features,
+            past_observed_mask=past_observed_mask
+        )
         forecast = outputs.mean.squeeze().tolist()
     
     return np.round(forecast, 2)
@@ -39,7 +47,8 @@ iface = gr.Interface(
     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
-    ]
+    ],
+    cache_examples=False  # Desativar cache para evitar erro de arquivo
 )
 
 iface.launch()