prophet Trend Changepoints趋势变化点

末蓝、 2021-11-14 15:26 181阅读 0赞

# 一、例子代码 #

[https://github.com/lilihongjava/prophet\_demo/tree/master/trend\_changepoints][https_github.com_lilihongjava_prophet_demo_tree_master_trend_changepoints]

# encoding: utf-8
    import pandas as pd
    from fbprophet import Prophet
    from pandas.plotting import register_matplotlib_converters
    from fbprophet.plot import add_changepoints_to_plot
    from matplotlib import pyplot as plt
    
    
    
    def main():
        df = pd.read_csv('./data/example_wp_log_peyton_manning.csv')
        m = Prophet()
        m.fit(df)
        future = m.make_future_dataframe(periods=366)
        forecast = m.predict(future)
        fig = m.plot(forecast)
        for cp in m.changepoints:
            print(cp)
            plt.axvline(cp, c='gray', ls='--', lw=2)
        plt.show()
    
    
        deltas = m.params['delta'].mean(0)
        fig = plt.figure(facecolor='w', figsize=(10, 6))
        ax = fig.add_subplot(111)
        ax.bar(range(len(deltas)), deltas, facecolor='#0072B2', edgecolor='#0072B2')
        ax.grid(True, which='major', c='gray', ls='-', lw=1, alpha=0.2)
        ax.set_ylabel('Rate change')
        ax.set_xlabel('Potential changepoint')
        fig.tight_layout()
        fig.show()
    
    
        fig = m.plot(forecast)
        a = add_changepoints_to_plot(fig.gca(), m, forecast)
        fig.show()
    
        m = Prophet(changepoint_prior_scale=0.5)
        forecast = m.fit(df).predict(future)
        fig = m.plot(forecast)
        fig.show()
    
        m = Prophet(changepoint_prior_scale=0.001)
        forecast = m.fit(df).predict(future)
        fig = m.plot(forecast)
        fig.show()
    
        m = Prophet(changepoints=['2014-01-01'])
        forecast = m.fit(df).predict(future)
        fig = m.plot(forecast)
        fig.show()
    
    
    if __name__ == "__main__":
        main()

# **趋势变化点** #

在本系统文档的之前示例中，你可能已经注意到，时间序列经常会在其轨迹中发生突然变化。默认情况下，Prophet将自动检测这些变化点，并允许适当调整。但是，如果你希望更好地控制此过程（例如，Prophet忽略了一个趋势速率变化，或者在历史数据中的速率变化过拟合），那么你可以使用以下几个输入参数。

# 二、Prophet**中的自动变化点检测** #

Prophet 首先指定大量可以更改速率的潜在变更点来检测变化点。然后它在速率变化的幅度上进行稀疏先验（相当于L1正则化） - 这实质上意味着Prophet 有大量可能发生变化的地方，但尽可能少地使用它们。以下使用快速入门中的Peyton Manning维基页面访问数预测的例子。默认情况下，Prophet指定25个潜在变化点，这些变化更点均匀放置在前80％的时间序列中。此图中的垂直线表示潜在变化点的放置位置：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70][]

尽管我们有很多地方速率可能会改变，但由于稀疏先验，大多数这些变化点都未被使用。我们可以通过绘制每个变化点的速率变化幅度来看到这一点：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 1][]

可以使用参数n\_changepoints设置潜在变更点的数量，但通过调整正则化可以更好地进行调整。可以通过以下方式显示表示变更点的位置：

# Python
    from fbprophet.plot import add_changepoints_to_plot
    fig = m.plot(forecast)
    a = add_changepoints_to_plot(fig.gca(), m, forecast)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 2][]

默认情况下，只有前80%的时间序列才会推断出变化点，以便有足够的跑道来预测趋势的前进方向，并避免在时间序列结束时过度拟合波动。此默认值适用于许多情况，但不适用于所有情况，可以使用changepoint\_range参数进行更改。例如，在python通过`m = Prophet(changepoint_range=0.9)` 或者在R语言中通过`m <- prophet(changepoint.range = 0.9)`，来将潜在的变化点放在时间序列前90％中。

# 三、**调整趋势灵活性** #

如果趋势变化过度拟合（灵活性太大）或不足（灵活性不够），可以使用输入参数changepoint\_prior\_scale调整稀疏先验的强度。默认情况下，此参数设置为0.05。增加它将使趋势*更加*灵活：

# Python
    m = Prophet(changepoint_prior_scale=0.5)
    forecast = m.fit(df).predict(future)
    fig = m.plot(forecast)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 3][] 减少它会使趋势*不那么*灵活：

# Python
    m = Prophet(changepoint_prior_scale=0.001)
    forecast = m.fit(df).predict(future)
    fig = m.plot(forecast)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 4][]

# 四、**指定变化点的位置** #

如果愿意，可以使用`changepoints`参数手动指定潜在变化点的位置，而不是使用自动变化点检测。然后只允许在这些点上进行斜度变化，并像以前一样进行稀疏正则化。例如，可以像自动创建那样创建一个点网格，但随后用一些已知可能有变化的特定日期来扩充该网格。作为另一个例子，变化点可以完全限于一小组日期，如下所示：

# Python
    m = Prophet(changepoints=['2014-01-01'])
    forecast = m.fit(df).predict(future)
    fig = m.plot(forecast)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 5][]

参考资料：

[https://facebook.github.io/prophet/docs/trend\_changepoints.html][https_facebook.github.io_prophet_docs_trend_changepoints.html]

[https_github.com_lilihongjava_prophet_demo_tree_master_trend_changepoints]: https://github.com/lilihongjava/prophet_demo/tree/master/trend_changepoints
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70]: /images/20211114/5ccaa243793d412a965c0f85b286a47e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 1]: /images/20211114/b2b83713a8e842fc98b4b59760eae77c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 2]: /images/20211114/8efbd68f04c140a4bc4bb02b75197f62.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 3]: /images/20211114/8080fd868c664c578d19f41014cb79ec.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 4]: /images/20211114/194eb3e612b243fa82ca5ea3087bcee5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzODczNDMx_size_16_color_FFFFFF_t_70 5]: /images/20211114/01b0bf2921d8468fb38c2b4fb2d575b5.png
[https_facebook.github.io_prophet_docs_trend_changepoints.html]: https://facebook.github.io/prophet/docs/trend_changepoints.html