Update app.py

app.py

@@ -21,39 +21,23 @@ def predict(context_str, prediction_length):
         return "Error: Model yüklenemedi."
 
     try:
-        # 1. Veriyi Parçala
-        series_strings = context_str.split('|')
-        tensor_list = []
+        # DÜZELTME: Artık '|' ile ayrılmış karmaşık veri beklemiyoruz.
+        # Sadece virgülle ayrılmış Fiyat verisi alacağız.
         
-        for s in series_strings:
-            clean_s = s.strip()
-            if not clean_s: continue
-            # Veriyi listeye çevir
-            data_list = [float(x) for x in clean_s.split(',')]
-            tensor_list.append(data_list)
+        clean_s = context_str.strip()
+        if not clean_s: return "Error: Veri boş."
+            
+        data_list = [float(x) for x in clean_s.split(',')]
         
-        if not tensor_list: return "Error: Veri boş."
-
-        # 2. Tensor Oluştur (Batch, Variates, Time)
-        # Örn: (1, 5, 200)
-        context_tensor = torch.tensor(tensor_list).unsqueeze(0)
+        # Tensor Oluştur (Batch=1, Series=1, Time=Len)
+        # (1, 1, 200) -> En saf ve hatasız format budur.
+        context_tensor = torch.tensor(data_list).unsqueeze(0).unsqueeze(0)
         
-        # --- KRİTİK KONTROL ---
-        # Eğer veri çok büyük veya çok küçükse (Outlier), model sapıtabilir.
-        # Fiyat verisi (ilk seri) 0 olmamalı.
-        if context_tensor[0, 0, -1] == 0:
-            return "Error: Son fiyat 0 olamaz."
-
-        # 3. Tahmin Yap
+        # Tahmin Yap
         forecast = pipeline.predict(context_tensor, int(prediction_length))
         
-        # 4. Sonucu Al
-        # Chronos-2 çok değişkenli tahminde, her değişken için tahmin üretebilir.
-        # Bizim hedefimiz FİYAT (0. indeks)
-        price_forecast = forecast[0] # İlk seri (Fiyat)
-        
-        # Medyanı al
-        future_price = price_forecast.quantile(0.5).item()
+        # Sonucu Al
+        future_price = forecast[0].quantile(0.5).item()
         
         return str(future_price)