Coggle数据科学 | Kaggle 知识点：时序模型 Prophet

最新推荐文章于 2025-04-15 16:57:31 发布

双木的木

最新推荐文章于 2025-04-15 16:57:31 发布

阅读量998

点赞数 26

分类专栏：统计学文章标签：人工智能深度学习 python 时序数据库数据分析回归算法算法

本文链接：https://blog.youkuaiyun.com/csdn_xmj/article/details/140668650

版权

本文来源公众号“Coggle数据科学”，仅用于学术分享，侵权删，干货满满。

原文链接：Kaggle 知识点：时序模型 Prophet

`Prophet` 算法

在时间序列中Prophet是Facebook开源的时间序列预测算法，可以有效处理节假日信息，并按周、月、年对时间序列数据的变化趋势进行拟合。

https://facebook.github.io/prophet/

# pip
python -m pip install prophet

# conda
conda install -c conda-forge prophet

截至2023年1月，这个Python包通过PyPI已被下载超过1600万次，每月下载量仍保持在100万次。

Prophet对具有强烈周期性特征的历史数据拟合效果很好，不仅可以处理时间序列存在一些异常值的情况，也可以处理部分缺失值的情形。

模型定义

Prophet使用了可分解的时间序列模型，模型包含三个主要组件：趋势、季节性和假日。它们通过以下方程组合在一起：

是趋势函数，用于模拟时间序列值的非周期性变化
表示周期性变化（例如每周和每年的季节性变化）
表示假日效应，这些假日在一个或多个不规则时间安排的日子内发生
误差项表示模型未能捕捉的变化

`Prophet`适用场景

有至少几个月（最好是一年）的每小时、每天或每周观察的历史数据；
有多种人类规模级别的较强的季节性趋势：每周的一些天和每年的一些时间；
有事先知道的以不定期的间隔发生的重要节假日（比如国庆节）；
缺失的历史数据或较大的异常数据的数量在合理范围内；
有历史趋势的变化（比如因为产品发布）；

`Prophet`出发点

Prophet 的出发点是提供一种灵活的、可解释的回归模型，该模型可以直观地由具有时间序列知识的分析师调整。这种模型的设计考虑了以下几个关键点：

易于使用：Prophet 旨在使没有时间序列方法训练的大量人员也能进行预测。
灵活性：它能够适应具有潜在特殊特征的多种预测问题。
自动化与人工干预相结合：Prophet 通过自动化的方式进行预测，同时在模型性能不佳或需要人工干预时，允许分析师进行调整。
大规模评估：在创建大量预测时，需要有效、自动化的方法来评估和比较预测结果，并检测可能表现不佳的情况。
可解释性：Prophet 的参数具有直观的解释，使得即使非专家也能根据领域知识进行模型配置。

Prophet 模型的设计允许它捕捉时间序列数据中的多种特征，如趋势、季节性、假日效应等，同时提供了一种机制来评估预测性能并根据需要进行调整。

`Prophet`使用案例

案例 1：拟合基础模型

import pandas as pd
from prophet import Prophet

# 需要有两列，ds 列和 y 列
df = pd.read_csv('https://mirror.coggle.club/prophet/example_wp_log_peyton_manning.csv')

# 定义模型，并训练
m = Prophet()
m.fit(df)

# 推理未来的日期，并镜像预测
future = m.make_future_dataframe(