Update app.py

app.py

@@ -5,7 +5,10 @@ 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
+
+# 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(
@@ -18,20 +21,24 @@ 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)
+    # 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=3)  # Usar a mesma prediction_length da config
+    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="Histórico de Vendas (separado por vírgulas)"),
-    outputs=gr.Textbox(label="Previsão para os Próximos 3 Meses"),
+    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"],  # Exemplo do Produto C
+        ["140,155,160,145,150,165,170,160,175,160,155,170"],  # 12 meses (context_length=12)
     ]
 )