Prophet 时间序列预测算法

落日映苍穹つ 2024-03-22 16:54 55阅读 0赞

#### 一、背景 ####

时间序列预测是一种预测未来数据的方法，对于时间序列的分析，我们可以采用传统的统计学方法，例如 ARIMA、Exponential Smoothing等，这些方法通过分析过去的数据建立模型来预测未来的趋势，但是这些方法有一个限制就是必须满足某些假设条件，例如数据的稳定性，缺失值的处理等等。

因此，近年来出现了一些新的时间序列预测方法，例如 Facebook开源的 **Prophet**，它是一种具有高度灵活性的时间序列预测算法，它能够处理数据的不稳定性，缺失值，异常值等等，同时还能够自动检测周期性的趋势和节假日的影响，可以应用于多种行业和领域。

#### 二、Prophet 的基本原理 ####

Prophet 的基本原理是将时间序列分解成趋势项、季节项和假日项，并在此基础上使用加法模型进行预测。具体地，假设时间序列 y(t) 由以下三个部分组成：

*  **趋势项** g(t)：描述时间序列的长期趋势，通常采用带有自动回归项和季节项的分段线性模型来拟合。
 *  **季节项** s(t)：描述时间序列的周期性变化，通常采用傅里叶级数来拟合。
 *  **假日项** h(t)：描述时间序列中的异常事件（如节假日、促销等），通常采用自定义二进制变量来表示。  
    将趋势项、季节项和假日项相加，得到时间序列的预测值：

*y(t) = g(t) + s(t) + h(t) + ε(t)*

其中，**ε(t)** 是误差项，通常假定为正态分布。

#### 三、Prophet 的使用方法 ####

##### 1、环境准备 #####

首先，我们需要安装 Prophet 和其所依赖的 Python 包。可以通过以下命令进行安装：

pip install fbprophet numpy pandas matplotlib

##### 2、数据准备 #####

为了进行销售量预测，我们需要先准备一些历史销售数据。这里我们使用一个示例数据集 sales.csv，包含日期和销售量两列。数据集可以通过以下链接下载：  
[https://raw.githubusercontent.com/facebook/prophet/master/examples/example\_retail\_sales.csv][https_raw.githubusercontent.com_facebook_prophet_master_examples_example_retail_sales.csv]

我们可以使用 Pandas 库读取数据集：

import pandas as pd
    
    sales = pd.read_csv('sales.csv')

接下来，我们需要将数据集转换为 Prophet 所需的格式。  
Prophet 要求数据集至少包含 ***ds*** 和 ***y*** 两列，分别表示**日期**和**预测值**。  
在这里，我们将 ds 列设置为日期列，并将 y 列设置为销售量列。

sales = sales.rename(columns={
        'ds': 'date', 'y': 'sales'})
    sales['date'] = pd.to_datetime(sales['date'])

最后，我们还需要将数据集拆分为训练集和测试集。这里我们将最后 12 个月的数据作为测试集。

test_size = 12
    train = sales.iloc[:-test_size]
    test = sales.iloc[-test_size:]

#### 3、模型训练 ####

数据准备好了，接下来我们就可以开始训练 Prophet 模型了。Prophet 的使用流程大致如下：

1.  创建一个 Prophet 模型对象
2.  用训练集数据拟合模型
3.  使用模型对未来数据进行预测

from fbprophet import Prophet
    
    # 创建 Prophet 模型对象
    model = Prophet()
    
    # 拟合模型
    model.fit(train)
    
    # 构建未来时间序列
    future = model.make_future_dataframe(periods=test_size, freq='M')
    
    # 使用模型进行预测
    forecast = model.predict(future)

在上面的代码中，我们创建了一个 Prophet 模型对象 ***model***，并使用训练集数据对其进行拟合。

然后，我们使用 ***make\_future\_dataframe*** 方法构建一个包含未来 12 个月的时间序列，并使用 ***predict*** 方法进行预测。

需要注意的是，Prophet 的预测结果包含许多列，其中包括：***yhat*** 列为预测值，***yhat\_lower*** 列为预测值的下限，***yhat\_upper*** 列为预测值的上限。

##### 4、评估优化 #####

在进行时间序列预测之后，我们需要对预测结果进行评估和优化。  
Prophet 提供了许多方法来评估模型的拟合程度，例如可视化预测结果、计算预测误差等。

###### 1）可视化预测结果 ######

import matplotlib.pyplot as plt
    
    # 可视化预测结果
    fig = model.plot(forecast)
    plt.show()

> 这里，我们使用 ***plot*** 方法将预测结果可视化，然后使用Matplotlib将其绘制出来。

###### 2）计算预测误差 ######

# 计算预测误差
    from fbprophet.diagnostics import performance_metrics
    
    df_perf = performance_metrics(forecast)

> 通过对预测结果进行评估，我们可以确定模型的拟合程度，进而进行优化，例如调整模型参数、增加更多的历史数据等。

###### 3）查看预测结果的组成部分 ######

model.plot_components(forecast)

> 这将生成一个包含趋势、季节性和假期效应的可视化图。

以上就是如何使用Prophet进行时间序列预测的基本步骤。

当然，在实际应用中，可能需要进行更多的数据处理和调整（如自定义季节性、设置假期、置信区间等），以确保获得最佳的预测结果。

#### 四、总结 ####

Prophet 是一款功能强大的时间序列预测工具，使用简单，同时具有较高的预测准确率。

如果是对时序数据进行预测的场景，推荐使用 **Prophet** ！！！

#### PS ####

关于 Prophet 参数说明，请参考博客：[https://www.cnblogs.com/miracle-luna/p/17368601.html][https_www.cnblogs.com_miracle-luna_p_17368601.html]

[https_raw.githubusercontent.com_facebook_prophet_master_examples_example_retail_sales.csv]: https://raw.githubusercontent.com/facebook/prophet/master/examples/example_retail_sales.csv
[https_www.cnblogs.com_miracle-luna_p_17368601.html]: https://www.cnblogs.com/miracle-luna/p/17368601.html