feat: 添加Kronos Web UI完整功能

- 集成Kronos模型（mini/small/base）
- 支持CPU/CUDA/MPS设备选择
- 时间窗口滑条选择器（400+120固定窗口）
- 预测质量参数控制（Temperature, Top-P, Sample Count）
- 预测vs实际数据对比分析
- 完整的Flask后端和现代化前端界面
- 支持CSV和Feather格式数据文件
- 完整的启动脚本和文档

.gitignore

@@ -0,0 +1,76 @@
+# Python
+__pycache__/
+*.py[cod]
+*$py.class
+*.so
+.Python
+build/
+develop-eggs/
+dist/
+downloads/
+eggs/
+.eggs/
+lib/
+lib64/
+parts/
+sdist/
+var/
+wheels/
+*.egg-info/
+.installed.cfg
+*.egg
+MANIFEST
+
+# Jupyter Notebook
+.ipynb_checkpoints
+
+# PyCharm
+.idea/
+
+# VS Code
+.vscode/
+
+# macOS
+.DS_Store
+.AppleDouble
+.LSOverride
+
+# Windows
+Thumbs.db
+ehthumbs.db
+Desktop.ini
+
+# Linux
+*~
+
+# Data files (large files)
+*.feather
+*.csv
+*.parquet
+*.h5
+*.hdf5
+
+# Model files (large files)
+*.pth
+*.pt
+*.ckpt
+*.bin
+
+# Logs
+*.log
+logs/
+
+# Environment
+.env
+.venv
+env/
+venv/
+ENV/
+env.bak/
+venv.bak/
+
+# Temporary files
+*.tmp
+*.temp
+temp/
+tmp/

webui/README.md

@@ -0,0 +1,135 @@
+# Kronos Web UI
+
+Kronos金融预测模型的Web用户界面，提供直观的图形化操作界面。
+
+## ✨ 功能特性
+
+- **多格式数据支持**: 支持CSV、Feather等格式的金融数据
+- **智能时间窗口**: 固定400+120数据点的时间窗口滑条选择
+- **真实模型预测**: 集成真实的Kronos模型，支持多种模型大小
+- **预测质量控制**: 可调节温度、核采样、样本数量等参数
+- **多设备支持**: 支持CPU、CUDA、MPS等计算设备
+- **对比分析**: 预测结果与实际数据的详细对比
+- **K线图显示**: 专业的金融K线图表展示
+
+## 🚀 快速开始
+
+### 方法1: 使用Python脚本启动
+```bash
+cd webui
+python run.py
+```
+
+### 方法2: 使用Shell脚本启动
+```bash
+cd webui
+chmod +x start.sh
+./start.sh
+```
+
+### 方法3: 直接启动Flask应用
+```bash
+cd webui
+python app.py
+```
+
+启动成功后，访问 http://localhost:7070
+
+## 📋 使用步骤
+
+1. **加载数据**: 选择data目录中的金融数据文件
+2. **加载模型**: 选择Kronos模型和计算设备
+3. **设置参数**: 调整预测质量参数
+4. **选择时间窗口**: 使用滑条选择400+120数据点的时间范围
+5. **开始预测**: 点击预测按钮生成结果
+6. **查看结果**: 在图表和表格中查看预测结果
+
+## 🔧 预测质量参数
+
+### 温度 (T)
+- **范围**: 0.1 - 2.0
+- **作用**: 控制预测的随机性
+- **建议**: 1.2-1.5 获得更好的预测质量
+
+### 核采样 (top_p)
+- **范围**: 0.1 - 1.0
+- **作用**: 控制预测的多样性
+- **建议**: 0.95-1.0 考虑更多可能性
+
+### 样本数量
+- **范围**: 1 - 5
+- **作用**: 生成多个预测样本
+- **建议**: 2-3 个样本提高质量
+
+## 📊 支持的数据格式
+
+### 必需列
+- `open`: 开盘价
+- `high`: 最高价
+- `low`: 最低价
+- `close`: 收盘价
+
+### 可选列
+- `volume`: 成交量
+- `amount`: 成交额（不用于预测）
+- `timestamps`/`timestamp`/`date`: 时间戳
+
+## 🤖 模型支持
+
+- **Kronos-mini**: 4.1M参数，轻量级快速预测
+- **Kronos-small**: 24.7M参数，平衡性能和速度
+- **Kronos-base**: 102.3M参数，高质量预测
+
+## 🖥️ GPU加速支持
+
+- **CPU**: 通用计算，兼容性最好
+- **CUDA**: NVIDIA GPU加速，性能最佳
+- **MPS**: Apple Silicon GPU加速，Mac用户推荐
+
+## ⚠️ 注意事项
+
+- `amount`列不会被用于预测，仅用于显示
+- 时间窗口固定为400+120=520个数据点
+- 确保数据文件包含足够的历史数据
+- 首次加载模型可能需要下载，请耐心等待
+
+## 🔍 对比分析
+
+系统会自动提供预测结果与实际数据的对比分析，包括：
+- 价格差异统计
+- 误差分析
+- 预测质量评估
+
+## 🛠️ 技术架构
+
+- **后端**: Flask + Python
+- **前端**: HTML + CSS + JavaScript
+- **图表**: Plotly.js
+- **数据处理**: Pandas + NumPy
+- **模型**: Hugging Face Transformers
+
+## 📝 故障排除
+
+### 常见问题
+1. **端口占用**: 修改app.py中的端口号
+2. **依赖缺失**: 运行 `pip install -r requirements.txt`
+3. **模型加载失败**: 检查网络连接和模型ID
+4. **数据格式错误**: 确保数据列名和格式正确
+
+### 日志查看
+启动时会在控制台显示详细的运行信息，包括模型状态和错误信息。
+
+## 📄 许可证
+
+本项目遵循原Kronos项目的许可证条款。
+
+## 🤝 贡献
+
+欢迎提交Issue和Pull Request来改进这个Web UI！
+
+## 📞 支持
+
+如有问题，请查看：
+1. 项目文档
+2. GitHub Issues
+3. 控制台错误信息

webui/app.py

@@ -0,0 +1,603 @@
+import os
+import pandas as pd
+import numpy as np
+import json
+import plotly.graph_objects as go
+import plotly.utils
+from flask import Flask, render_template, request, jsonify
+from flask_cors import CORS
+import sys
+import warnings
+warnings.filterwarnings('ignore')
+
+# 添加项目根目录到路径
+sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+try:
+    from model import Kronos, KronosTokenizer, KronosPredictor
+    MODEL_AVAILABLE = True
+except ImportError:
+    MODEL_AVAILABLE = False
+    print("警告: Kronos模型无法导入，将使用模拟数据进行演示")
+
+app = Flask(__name__)
+CORS(app)
+
+# 全局变量存储模型
+tokenizer = None
+model = None
+predictor = None
+
+# 可用的模型配置
+AVAILABLE_MODELS = {
+    'kronos-mini': {
+        'name': 'Kronos-mini',
+        'model_id': 'NeoQuasar/Kronos-mini',
+        'tokenizer_id': 'NeoQuasar/Kronos-Tokenizer-2k',
+        'context_length': 2048,
+        'params': '4.1M',
+        'description': '轻量级模型，适合快速预测'
+    },
+    'kronos-small': {
+        'name': 'Kronos-small',
+        'model_id': 'NeoQuasar/Kronos-small',
+        'tokenizer_id': 'NeoQuasar/Kronos-Tokenizer-base',
+        'context_length': 512,
+        'params': '24.7M',
+        'description': '小型模型，平衡性能和速度'
+    },
+    'kronos-base': {
+        'name': 'Kronos-base',
+        'model_id': 'NeoQuasar/Kronos-base',
+        'tokenizer_id': 'NeoQuasar/Kronos-Tokenizer-base',
+        'context_length': 512,
+        'params': '102.3M',
+        'description': '基础模型，提供更好的预测质量'
+    }
+}
+
+def load_data_files():
+    """扫描data目录并返回可用的数据文件"""
+    data_dir = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), 'data')
+    data_files = []
+    
+    if os.path.exists(data_dir):
+        for file in os.listdir(data_dir):
+            if file.endswith(('.csv', '.feather')):
+                file_path = os.path.join(data_dir, file)
+                file_size = os.path.getsize(file_path)
+                data_files.append({
+                    'name': file,
+                    'path': file_path,
+                    'size': f"{file_size / 1024:.1f} KB" if file_size < 1024*1024 else f"{file_size / (1024*1024):.1f} MB"
+                })
+    
+    return data_files
+
+def load_data_file(file_path):
+    """加载数据文件"""
+    try:
+        if file_path.endswith('.csv'):
+            df = pd.read_csv(file_path)
+        elif file_path.endswith('.feather'):
+            df = pd.read_feather(file_path)
+        else:
+            return None, "不支持的文件格式"
+        
+        # 检查必要的列
+        required_cols = ['open', 'high', 'low', 'close']
+        if not all(col in df.columns for col in required_cols):
+            return None, f"缺少必要的列: {required_cols}"
+        
+        # 处理时间戳列
+        if 'timestamps' in df.columns:
+            df['timestamps'] = pd.to_datetime(df['timestamps'])
+        elif 'timestamp' in df.columns:
+            df['timestamps'] = pd.to_datetime(df['timestamp'])
+        elif 'date' in df.columns:
+            # 如果列名是'date'，将其重命名为'timestamps'
+            df['timestamps'] = pd.to_datetime(df['date'])
+        else:
+            # 如果没有时间戳列，创建一个
+            df['timestamps'] = pd.date_range(start='2024-01-01', periods=len(df), freq='1H')
+        
+        # 确保数值列是数值类型
+        for col in ['open', 'high', 'low', 'close']:
+            df[col] = pd.to_numeric(df[col], errors='coerce')
+        
+        # 处理volume列（可选）
+        if 'volume' in df.columns:
+            df['volume'] = pd.to_numeric(df['volume'], errors='coerce')
+        
+        # 处理amount列（可选，但不用于预测）
+        if 'amount' in df.columns:
+            df['amount'] = pd.to_numeric(df['amount'], errors='coerce')
+        
+        # 删除包含NaN的行
+        df = df.dropna()
+        
+        return df, None
+        
+    except Exception as e:
+        return None, f"加载文件失败: {str(e)}"
+
+def create_prediction_chart(df, pred_df, lookback, pred_len, actual_df=None, historical_start_idx=0):
+    """创建预测图表"""
+    # 使用指定的历史数据起始位置，而不是总是从df的开头开始
+    if historical_start_idx + lookback + pred_len <= len(df):
+        # 显示指定位置开始的lookback个历史点 + pred_len个预测点
+        historical_df = df.iloc[historical_start_idx:historical_start_idx+lookback]
+        prediction_range = range(historical_start_idx+lookback, historical_start_idx+lookback+pred_len)
+    else:
+        # 如果数据不够，调整到可用的最大范围
+        available_lookback = min(lookback, len(df) - historical_start_idx)
+        available_pred_len = min(pred_len, max(0, len(df) - historical_start_idx - available_lookback))
+        historical_df = df.iloc[historical_start_idx:historical_start_idx+available_lookback]
+        prediction_range = range(historical_start_idx+available_lookback, historical_start_idx+available_lookback+available_pred_len)
+    
+    # 创建图表
+    fig = go.Figure()
+    
+    # 添加历史数据（K线图）
+    fig.add_trace(go.Candlestick(
+        x=historical_df['timestamps'] if 'timestamps' in historical_df.columns else historical_df.index,
+        open=historical_df['open'],
+        high=historical_df['high'],
+        low=historical_df['low'],
+        close=historical_df['close'],
+        name='历史数据 (400个数据点)',
+        increasing_line_color='#26A69A',
+        decreasing_line_color='#EF5350'
+    ))
+    
+    # 添加预测数据（K线图）
+    if pred_df is not None and len(pred_df) > 0:
+        # 计算预测数据的时间戳 - 确保与历史数据连续
+        if 'timestamps' in df.columns and len(historical_df) > 0:
+            # 从历史数据的最后一个时间点开始，按相同的时间间隔创建预测时间戳
+            last_timestamp = historical_df['timestamps'].iloc[-1]
+            time_diff = df['timestamps'].iloc[1] - df['timestamps'].iloc[0] if len(df) > 1 else pd.Timedelta(hours=1)
+            
+            pred_timestamps = pd.date_range(
+                start=last_timestamp + time_diff,
+                periods=len(pred_df),
+                freq=time_diff
+            )
+        else:
+            # 如果没有时间戳，使用索引
+            pred_timestamps = range(len(historical_df), len(historical_df) + len(pred_df))
+        
+        fig.add_trace(go.Candlestick(
+            x=pred_timestamps,
+            open=pred_df['open'],
+            high=pred_df['high'],
+            low=pred_df['low'],
+            close=pred_df['close'],
+            name='预测数据 (120个数据点)',
+            increasing_line_color='#66BB6A',
+            decreasing_line_color='#FF7043'
+        ))
+    
+    # 添加实际数据用于对比（如果存在）
+    if actual_df is not None and len(actual_df) > 0:
+        # 实际数据应该与预测数据在同一个时间段
+        if 'timestamps' in df.columns:
+            # 实际数据应该使用与预测数据相同的时间戳，确保时间对齐
+            if 'pred_timestamps' in locals():
+                actual_timestamps = pred_timestamps
+            else:
+                # 如果没有预测时间戳，从历史数据最后一个时间点开始计算
+                if len(historical_df) > 0:
+                    last_timestamp = historical_df['timestamps'].iloc[-1]
+                    time_diff = df['timestamps'].iloc[1] - df['timestamps'].iloc[0] if len(df) > 1 else pd.Timedelta(hours=1)
+                    actual_timestamps = pd.date_range(
+                        start=last_timestamp + time_diff,
+                        periods=len(actual_df),
+                        freq=time_diff
+                    )
+                else:
+                    actual_timestamps = range(len(historical_df), len(historical_df) + len(actual_df))
+        else:
+            actual_timestamps = range(len(historical_df), len(historical_df) + len(actual_df))
+        
+        fig.add_trace(go.Candlestick(
+            x=actual_timestamps,
+            open=actual_df['open'],
+            high=actual_df['high'],
+            low=actual_df['low'],
+            close=actual_df['close'],
+            name='实际数据 (120个数据点)',
+            increasing_line_color='#FF9800',
+            decreasing_line_color='#F44336'
+        ))
+    
+    # 更新布局
+    fig.update_layout(
+        title='Kronos 金融预测结果 - 400个历史点 + 120个预测点 vs 120个实际点',
+        xaxis_title='时间',
+        yaxis_title='价格',
+        template='plotly_white',
+        height=600,
+        showlegend=True
+    )
+    
+    # 确保x轴时间连续
+    if 'timestamps' in historical_df.columns:
+        # 获取所有时间戳并排序
+        all_timestamps = []
+        if len(historical_df) > 0:
+            all_timestamps.extend(historical_df['timestamps'])
+        if 'pred_timestamps' in locals():
+            all_timestamps.extend(pred_timestamps)
+        if 'actual_timestamps' in locals():
+            all_timestamps.extend(actual_timestamps)
+        
+        if all_timestamps:
+            all_timestamps = sorted(all_timestamps)
+            fig.update_xaxes(
+                range=[all_timestamps[0], all_timestamps[-1]],
+                rangeslider_visible=False,
+                type='date'
+            )
+    
+    return json.dumps(fig, cls=plotly.utils.PlotlyJSONEncoder)
+
+@app.route('/')
+def index():
+    """主页"""
+    return render_template('index.html')
+
+@app.route('/api/data-files')
+def get_data_files():
+    """获取可用的数据文件列表"""
+    data_files = load_data_files()
+    return jsonify(data_files)
+
+@app.route('/api/load-data', methods=['POST'])
+def load_data():
+    """加载数据文件"""
+    try:
+        data = request.get_json()
+        file_path = data.get('file_path')
+        
+        if not file_path:
+            return jsonify({'error': '文件路径不能为空'}), 400
+        
+        df, error = load_data_file(file_path)
+        if error:
+            return jsonify({'error': error}), 400
+        
+        # 检测数据的时间频率
+        def detect_timeframe(df):
+            if len(df) < 2:
+                return "未知"
+            
+            time_diffs = []
+            for i in range(1, min(10, len(df))):  # 检查前10个时间差
+                diff = df['timestamps'].iloc[i] - df['timestamps'].iloc[i-1]
+                time_diffs.append(diff)
+            
+            if not time_diffs:
+                return "未知"
+            
+            # 计算平均时间差
+            avg_diff = sum(time_diffs, pd.Timedelta(0)) / len(time_diffs)
+            
+            # 转换为可读格式
+            if avg_diff < pd.Timedelta(minutes=1):
+                return f"{avg_diff.total_seconds():.0f}秒"
+            elif avg_diff < pd.Timedelta(hours=1):
+                return f"{avg_diff.total_seconds() / 60:.0f}分钟"
+            elif avg_diff < pd.Timedelta(days=1):
+                return f"{avg_diff.total_seconds() / 3600:.0f}小时"
+            else:
+                return f"{avg_diff.days}天"
+        
+        # 返回数据信息
+        data_info = {
+            'rows': len(df),
+            'columns': list(df.columns),
+            'start_date': df['timestamps'].min().isoformat() if 'timestamps' in df.columns else 'N/A',
+            'end_date': df['timestamps'].max().isoformat() if 'timestamps' in df.columns else 'N/A',
+            'price_range': {
+                'min': float(df[['open', 'high', 'low', 'close']].min().min()),
+                'max': float(df[['open', 'high', 'low', 'close']].max().max())
+            },
+            'prediction_columns': ['open', 'high', 'low', 'close'] + (['volume'] if 'volume' in df.columns else []),
+            'timeframe': detect_timeframe(df)
+        }
+        
+        return jsonify({
+            'success': True,
+            'data_info': data_info,
+            'message': f'成功加载数据，共 {len(df)} 行'
+        })
+        
+    except Exception as e:
+        return jsonify({'error': f'加载数据失败: {str(e)}'}), 500
+
+@app.route('/api/predict', methods=['POST'])
+def predict():
+    """进行预测"""
+    try:
+        data = request.get_json()
+        file_path = data.get('file_path')
+        lookback = int(data.get('lookback', 400))
+        pred_len = int(data.get('pred_len', 120))
+        
+        # 获取预测质量参数
+        temperature = float(data.get('temperature', 1.0))
+        top_p = float(data.get('top_p', 0.9))
+        sample_count = int(data.get('sample_count', 1))
+        
+        if not file_path:
+            return jsonify({'error': '文件路径不能为空'}), 400
+        
+        # 加载数据
+        df, error = load_data_file(file_path)
+        if error:
+            return jsonify({'error': error}), 400
+        
+        if len(df) < lookback:
+            return jsonify({'error': f'数据长度不足，需要至少 {lookback} 行数据'}), 400
+        
+        # 进行预测
+        if MODEL_AVAILABLE and predictor is not None:
+            try:
+                # 使用真实的Kronos模型
+                # 只使用必要的列：OHLCV，不包含amount
+                required_cols = ['open', 'high', 'low', 'close']
+                if 'volume' in df.columns:
+                    required_cols.append('volume')
+                
+                # 处理时间段选择
+                start_date = data.get('start_date')
+                
+                if start_date:
+                    # 自定义时间段 - 修复逻辑：使用选择的窗口内的数据
+                    start_dt = pd.to_datetime(start_date)
+                    
+                    # 找到开始时间之后的数据
+                    mask = df['timestamps'] >= start_dt
+                    time_range_df = df[mask]
+                    
+                    # 确保有足够的数据：lookback + pred_len
+                    if len(time_range_df) < lookback + pred_len:
+                        return jsonify({'error': f'从开始时间 {start_dt.strftime("%Y-%m-%d %H:%M")} 开始的数据不足，需要至少 {lookback + pred_len} 个数据点，当前只有 {len(time_range_df)} 个'}), 400
+                    
+                    # 使用选择的窗口内的前lookback个数据点进行预测
+                    x_df = time_range_df.iloc[:lookback][required_cols]
+                    x_timestamp = time_range_df.iloc[:lookback]['timestamps']
+                    
+                    # 使用选择的窗口内的后pred_len个数据点作为实际值
+                    y_timestamp = time_range_df.iloc[lookback:lookback+pred_len]['timestamps']
+                    
+                    # 计算实际的时间段长度
+                    start_timestamp = time_range_df['timestamps'].iloc[0]
+                    end_timestamp = time_range_df['timestamps'].iloc[lookback+pred_len-1]
+                    time_span = end_timestamp - start_timestamp
+                    
+                    prediction_type = f"Kronos模型预测 (选择的窗口内：前{lookback}个数据点预测，后{pred_len}个数据点对比，时间跨度: {time_span})"
+                else:
+                    # 使用最新数据
+                    x_df = df.iloc[:lookback][required_cols]
+                    x_timestamp = df.iloc[:lookback]['timestamps']
+                    y_timestamp = df.iloc[lookback:lookback+pred_len]['timestamps']
+                    prediction_type = "Kronos模型预测 (最新数据)"
+                
+                # 确保时间戳是Series格式，不是DatetimeIndex，避免Kronos模型的.dt属性错误
+                if isinstance(x_timestamp, pd.DatetimeIndex):
+                    x_timestamp = pd.Series(x_timestamp, name='timestamps')
+                if isinstance(y_timestamp, pd.DatetimeIndex):
+                    y_timestamp = pd.Series(y_timestamp, name='timestamps')
+                
+                pred_df = predictor.predict(
+                    df=x_df,
+                    x_timestamp=x_timestamp,
+                    y_timestamp=y_timestamp,
+                    pred_len=pred_len,
+                    T=temperature,
+                    top_p=top_p,
+                    sample_count=sample_count
+                )
+                
+            except Exception as e:
+                return jsonify({'error': f'Kronos模型预测失败: {str(e)}'}), 500
+        else:
+            return jsonify({'error': 'Kronos模型未加载，请先加载模型'}), 400
+        
+        # 准备实际数据用于对比（如果存在）
+        actual_data = []
+        actual_df = None
+        
+        if start_date:  # 自定义时间段
+            # 修复逻辑：使用选择的窗口内的数据
+            # 预测使用的是选择的窗口内的前400个数据点
+            # 实际数据应该是选择的窗口内的后120个数据点
+            start_dt = pd.to_datetime(start_date)
+            
+            # 找到从start_date开始的数据
+            mask = df['timestamps'] >= start_dt
+            time_range_df = df[mask]
+            
+            if len(time_range_df) >= lookback + pred_len:
+                # 获取选择的窗口内的后120个数据点作为实际值
+                actual_df = time_range_df.iloc[lookback:lookback+pred_len]
+                
+                for i, (_, row) in enumerate(actual_df.iterrows()):
+                    actual_data.append({
+                        'timestamp': row['timestamps'].isoformat(),
+                        'open': float(row['open']),
+                        'high': float(row['high']),
+                        'low': float(row['low']),
+                        'close': float(row['close']),
+                        'volume': float(row['volume']) if 'volume' in row else 0,
+                        'amount': float(row['amount']) if 'amount' in row else 0
+                    })
+        else:  # 最新数据
+            # 预测使用的是前400个数据点
+            # 实际数据应该是400个数据点之后的120个数据点
+            if len(df) >= lookback + pred_len:
+                actual_df = df.iloc[lookback:lookback+pred_len]
+                for i, (_, row) in enumerate(actual_df.iterrows()):
+                    actual_data.append({
+                        'timestamp': row['timestamps'].isoformat(),
+                        'open': float(row['open']),
+                        'high': float(row['high']),
+                        'low': float(row['low']),
+                        'close': float(row['close']),
+                        'volume': float(row['volume']) if 'volume' in row else 0,
+                        'amount': float(row['amount']) if 'amount' in row else 0
+                    })
+        
+        # 创建图表 - 传递历史数据的起始位置
+        if start_date:
+            # 自定义时间段：找到历史数据在原始df中的起始位置
+            start_dt = pd.to_datetime(start_date)
+            mask = df['timestamps'] >= start_dt
+            historical_start_idx = df[mask].index[0] if len(df[mask]) > 0 else 0
+        else:
+            # 最新数据：从开头开始
+            historical_start_idx = 0
+        
+        chart_json = create_prediction_chart(df, pred_df, lookback, pred_len, actual_df, historical_start_idx)
+        
+        # 准备预测结果数据 - 修复时间戳计算逻辑
+        if 'timestamps' in df.columns:
+            if start_date:
+                # 自定义时间段：使用选择的窗口数据计算时间戳
+                start_dt = pd.to_datetime(start_date)
+                mask = df['timestamps'] >= start_dt
+                time_range_df = df[mask]
+                
+                if len(time_range_df) >= lookback:
+                    # 从选择的窗口的最后一个时间点开始计算预测时间戳
+                    last_timestamp = time_range_df['timestamps'].iloc[lookback-1]
+                    time_diff = df['timestamps'].iloc[1] - df['timestamps'].iloc[0]
+                    future_timestamps = pd.date_range(
+                        start=last_timestamp + time_diff,
+                        periods=pred_len,
+                        freq=time_diff
+                    )
+                else:
+                    future_timestamps = []
+            else:
+                # 最新数据：从整个数据文件的最后时间点开始计算
+                last_timestamp = df['timestamps'].iloc[-1]
+                time_diff = df['timestamps'].iloc[1] - df['timestamps'].iloc[0]
+                future_timestamps = pd.date_range(
+                    start=last_timestamp + time_diff,
+                    periods=pred_len,
+                    freq=time_diff
+                )
+        else:
+            future_timestamps = range(len(df), len(df) + pred_len)
+        
+        prediction_results = []
+        for i, (_, row) in enumerate(pred_df.iterrows()):
+            prediction_results.append({
+                'timestamp': future_timestamps[i].isoformat() if i < len(future_timestamps) else f"T{i}",
+                'open': float(row['open']),
+                'high': float(row['high']),
+                'low': float(row['low']),
+                'close': float(row['close']),
+                'volume': float(row['volume']) if 'volume' in row else 0,
+                'amount': float(row['amount']) if 'amount' in row else 0
+            })
+        
+        return jsonify({
+            'success': True,
+            'prediction_type': prediction_type,
+            'chart': chart_json,
+            'prediction_results': prediction_results,
+            'actual_data': actual_data,
+            'has_comparison': len(actual_data) > 0,
+            'message': f'预测完成，生成了 {pred_len} 个预测点' + (f'，包含 {len(actual_data)} 个实际数据点用于对比' if len(actual_data) > 0 else '')
+        })
+        
+    except Exception as e:
+        return jsonify({'error': f'预测失败: {str(e)}'}), 500
+
+@app.route('/api/load-model', methods=['POST'])
+def load_model():
+    """加载Kronos模型"""
+    global tokenizer, model, predictor
+    
+    try:
+        if not MODEL_AVAILABLE:
+            return jsonify({'error': 'Kronos模型库不可用'}), 400
+        
+        data = request.get_json()
+        model_key = data.get('model_key', 'kronos-small')
+        device = data.get('device', 'cpu')
+        
+        if model_key not in AVAILABLE_MODELS:
+            return jsonify({'error': f'不支持的模型: {model_key}'}), 400
+        
+        model_config = AVAILABLE_MODELS[model_key]
+        
+        # 加载tokenizer和模型
+        tokenizer = KronosTokenizer.from_pretrained(model_config['tokenizer_id'])
+        model = Kronos.from_pretrained(model_config['model_id'])
+        
+        # 创建predictor
+        predictor = KronosPredictor(model, tokenizer, device=device, max_context=model_config['context_length'])
+        
+        return jsonify({
+            'success': True,
+            'message': f'模型加载成功: {model_config["name"]} ({model_config["params"]}) on {device}',
+            'model_info': {
+                'name': model_config['name'],
+                'params': model_config['params'],
+                'context_length': model_config['context_length'],
+                'description': model_config['description']
+            }
+        })
+        
+    except Exception as e:
+        return jsonify({'error': f'模型加载失败: {str(e)}'}), 500
+
+@app.route('/api/available-models')
+def get_available_models():
+    """获取可用的模型列表"""
+    return jsonify({
+        'models': AVAILABLE_MODELS,
+        'model_available': MODEL_AVAILABLE
+    })
+
+@app.route('/api/model-status')
+def get_model_status():
+    """获取模型状态"""
+    if MODEL_AVAILABLE:
+        if predictor is not None:
+            return jsonify({
+                'available': True,
+                'loaded': True,
+                'message': 'Kronos模型已加载并可用',
+                'current_model': {
+                    'name': predictor.model.__class__.__name__,
+                    'device': str(next(predictor.model.parameters()).device)
+                }
+            })
+        else:
+            return jsonify({
+                'available': True,
+                'loaded': False,
+                'message': 'Kronos模型可用但未加载'
+            })
+    else:
+        return jsonify({
+            'available': False,
+            'loaded': False,
+            'message': 'Kronos模型库不可用，请安装相关依赖'
+        })
+
+if __name__ == '__main__':
+    print("启动Kronos Web UI...")
+    print(f"模型可用性: {MODEL_AVAILABLE}")
+    if MODEL_AVAILABLE:
+        print("提示: 可以通过 /api/load-model 接口加载Kronos模型")
+    else:
+        print("提示: 将使用模拟数据进行演示")
+    
+    app.run(debug=True, host='0.0.0.0', port=7070)

webui/requirements.txt

@@ -0,0 +1,7 @@
+flask==2.3.3
+flask-cors==4.0.0
+pandas==2.2.2
+numpy==1.24.3
+plotly==5.17.0
+torch>=2.1.0
+huggingface_hub==0.33.1

webui/run.py

@@ -0,0 +1,89 @@
+#!/usr/bin/env python3
+"""
+Kronos Web UI 启动脚本
+"""
+
+import os
+import sys
+import subprocess
+import webbrowser
+import time
+
+def check_dependencies():
+    """检查依赖是否安装"""
+    try:
+        import flask
+        import flask_cors
+        import pandas
+        import numpy
+        import plotly
+        print("✅ 所有依赖已安装")
+        return True
+    except ImportError as e:
+        print(f"❌ 缺少依赖: {e}")
+        print("请运行: pip install -r requirements.txt")
+        return False
+
+def install_dependencies():
+    """安装依赖"""
+    print("正在安装依赖...")
+    try:
+        subprocess.check_call([sys.executable, "-m", "pip", "install", "-r", "requirements.txt"])
+        print("✅ 依赖安装完成")
+        return True
+    except subprocess.CalledProcessError:
+        print("❌ 依赖安装失败")
+        return False
+
+def main():
+    """主函数"""
+    print("🚀 启动 Kronos Web UI...")
+    print("=" * 50)
+    
+    # 检查依赖
+    if not check_dependencies():
+        print("\n是否自动安装依赖? (y/n): ", end="")
+        if input().lower() == 'y':
+            if not install_dependencies():
+                return
+        else:
+            print("请手动安装依赖后重试")
+            return
+    
+    # 检查模型可用性
+    try:
+        sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+        from model import Kronos, KronosTokenizer, KronosPredictor
+        print("✅ Kronos模型库可用")
+        model_available = True
+    except ImportError:
+        print("⚠️  Kronos模型库不可用，将使用模拟预测")
+        model_available = False
+    
+    # 启动Flask应用
+    print("\n🌐 启动Web服务器...")
+    
+    # 设置环境变量
+    os.environ['FLASK_APP'] = 'app.py'
+    os.environ['FLASK_ENV'] = 'development'
+    
+    # 启动服务器
+    try:
+        from app import app
+        print("✅ Web服务器启动成功!")
+        print(f"🌐 访问地址: http://localhost:7070")
+        print("💡 提示: 按 Ctrl+C 停止服务器")
+        
+        # 自动打开浏览器
+        time.sleep(2)
+        webbrowser.open('http://localhost:7070')
+        
+        # 启动Flask应用
+        app.run(debug=True, host='0.0.0.0', port=7070)
+        
+    except Exception as e:
+        print(f"❌ 启动失败: {e}")
+        print("请检查端口7070是否被占用")
+
+if __name__ == "__main__":
+    main()

webui/start.sh

@@ -0,0 +1,40 @@
+#!/bin/bash
+
+# Kronos Web UI 启动脚本
+
+echo "🚀 启动 Kronos Web UI..."
+echo "================================"
+
+# 检查Python是否安装
+if ! command -v python3 &> /dev/null; then
+    echo "❌ Python3 未安装，请先安装Python3"
+    exit 1
+fi
+
+# 检查是否在正确的目录
+if [ ! -f "app.py" ]; then
+    echo "❌ 请在webui目录下运行此脚本"
+    exit 1
+fi
+
+# 检查依赖
+echo "📦 检查依赖..."
+if ! python3 -c "import flask, flask_cors, pandas, numpy, plotly" &> /dev/null; then
+    echo "⚠️  缺少依赖，正在安装..."
+    pip3 install -r requirements.txt
+    if [ $? -ne 0 ]; then
+        echo "❌ 依赖安装失败"
+        exit 1
+    fi
+    echo "✅ 依赖安装完成"
+else
+    echo "✅ 所有依赖已安装"
+fi
+
+# 启动应用
+echo "🌐 启动Web服务器..."
+echo "访问地址: http://localhost:7070"
+echo "按 Ctrl+C 停止服务器"
+echo ""
+
+python3 app.py