Update app.py

app.py

@@ -1,16 +1,15 @@
 import gradio as gr
 from transformers import TimeSeriesTransformerForPrediction, TimeSeriesTransformerConfig
+import torch
 import pandas as pd
 import numpy as np
 
-# Carregar configuração do modelo
+# Carregar configuração
 config = TimeSeriesTransformerConfig.from_pretrained("google/timesfm-2.0-500m-pytorch")
+config.prediction_length = 3
+config.context_length = 12
 
-# 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
+# Carregar modelo
 model = TimeSeriesTransformerForPrediction.from_pretrained(
     "google/timesfm-2.0-500m-pytorch",
     config=config,
@@ -18,19 +17,20 @@ model = TimeSeriesTransformerForPrediction.from_pretrained(
 )
 
 def prever_vendas(historico):
-    # Converter entrada em lista de números
-    historico = [float(x) for x in historico.split(",")]
-    
-    # Garantir que o histórico tem o tamanho do context_length
+    # Converter entrada em tensor
+    historico = [float(x) for x in historico.split(",") if x.strip()]  # Ignorar valores vazios
     if len(historico) != config.context_length:
-        raise ValueError(f"Histórico deve ter {config.context_length} valores (context_length).")
+        raise ValueError(f"O histórico deve ter exatamente {config.context_length} valores numéricos.")
     
-    # Preparar dados
-    data = pd.Series(historico)
+    # Formatar dados como tensor (batch, sequence_length)
+    inputs = torch.tensor(historico).unsqueeze(0)
     
     # Gerar previsão
-    forecast = model.predict(data, prediction_length=config.prediction_length)
-    return np.round(forecast.mean, 2).tolist()
+    with torch.no_grad():
+        outputs = model(inputs)  # Método correto é __call__, não predict
+        forecast = outputs.mean.squeeze().tolist()
+    
+    return np.round(forecast, 2)
 
 # Interface Gradio
 iface = gr.Interface(
@@ -38,7 +38,7 @@ iface = gr.Interface(
     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"],  # 12 meses (context_length=12)
+        ["140,155,160,145,150,165,170,160,175,160,155,170"],  # 12 meses
     ]
 )