forecast-mcp

Сервер MCP (Model Context Protocol), который предоставляет конвейер трехъярусного прогнозирования спроса и пополнения запасов в виде инструментов. Любой MCP-клиент может его вызвать: Cursor, Claude Desktop, Claude Code, Google Antigravity, Windsurf и всё остальное, что поддерживает MCP. Каждый временной ряд классифицируется с помощью статистики Синтетоса–Бойлана (ADI и CV²) и направляется к одной из моделей:

Пороговые значения: ADI = 1.32, CV² = 0.49 (classification.py).

Инструменты

Related MCP server: shopify-forecast-mcp

Данные

Сервер генерирует синтетическую панель из 25 SKU в памяти при запуске (регулярные, спорадические, прерывистые, нерегулярные и холодный старт). Никаких внешних наборов данных или ключей API не требуется.

Чтобы использовать собственную историю, передайте CSV-файл с колонками unique_id, ds (дата), y (единицы):

python -m forecast_mcp.server --data examples/sample_demand.csv
# or
export FORECAST_MCP_DATA=/path/to/demand.csv

Настройка

python3 -m venv .venv
source .venv/bin/activate        # Windows: .venv\Scripts\activate
pip install -r requirements.txt
pip install -e ".[ui]"

Запуск

python -m forecast_mcp.server
python -m forecast_mcp.server --transport http --port 8765
python -m forecast_mcp.ui

HTTP health: http://127.0.0.1:8765/health
MCP endpoint: http://127.0.0.1:8765/mcp
UI: http://127.0.0.1:7860

Укажите для MCP command путь к .venv/bin/python этого проекта.

Тесты

pip install pytest
pytest tests/ -v

Конфигурация клиента

Поддерживаются stdio (по умолчанию) и Streamable HTTP. Примеры конфигураций находятся в examples/mcp/, а также в .cursor/mcp.json и .agents/mcp_config.json.

{
  "mcpServers": {
    "forecast-mcp": {
      "command": "/absolute/path/to/forecast-mcp/.venv/bin/python",
      "args": ["-m", "forecast_mcp.server"]
    }
  }
}

HTTP:

{
  "mcpServers": {
    "forecast-mcp": {
      "url": "http://127.0.0.1:8765/mcp"
    }
  }
}

Некоторые клиенты используют serverUrl вместо url.

Расширения

• Холодный старт: замените резервное среднее в forecast_cold_start() на foundation-модель zero-shot (например, Chronos-Bolt).

• Дополнительные кандидаты на уровень: оценивайте с помощью MASE в evaluation.py.

• Хранение: замените DataStore на ClickHouse, Postgres или DuckDB.

• Регулярный уровень с экзогенными признаками: mlforecast + LightGBM.

Структура

forecast-mcp/
├── src/forecast_mcp/
│   ├── server.py
│   ├── data.py
│   ├── classification.py
│   ├── forecasting.py
│   ├── evaluation.py
│   ├── replenishment.py
│   └── ui.py
├── scripts/
├── examples/
├── tests/
├── requirements.txt
└── pyproject.toml

Rohan Singh · github.com/RohanSingh02