时间序列prophet模型是facebook的时间序列算法。 可以有效处理节假日信息

时间序列prophet模型是facebook的时间序列算法。 可以有效处理节假日信息，并且按照周、月、年对时间序列数据的变化趋势进行拟合。 适合节假日、季节性因素等特殊因素考量的环境。 附数据集，Python代码

Prophet这玩意儿用起来是真香，特别是老板非要你预测下个月销量的时候。它处理节假日和季节性的能力确实能救命，不像ARIMA那种调参调到怀疑人生。直接上代码实操一把，拿电商销售数据举例。

先搞个模拟数据集，假设我们有2019到2023年的日销售数据：

import pandas as pd
import numpy as np

date_rng = pd.date_range(start='2019-01-01', end='2023-12-31', freq='D')
sales = np.random.randint(100, 500, size=len(date_rng))  # 随机生成基础销量
for date in pd.date_range('2019-02-04', periods=5): sales[date_rng == date] += 300
for year in range(2019,2024): sales[date_rng == f'{year-06-18}'] += 500
df = pd.DataFrame({'ds': date_rng, 'y': sales})

数据长得像这样——日常波动+周期性爆发。用Prophet前先画个图看看趋势：

from prophet import Prophet
m = Prophet(
    growth='flat',  # 数据没有明显增长趋势
    changepoint_prior_scale=0.1,  # 控制趋势敏感度，调小防止过拟合
    yearly_seasonality=8,  # 年周期强度
    weekly_seasonality=True
)

重点来了——自定义节假日。系统自带的西方节日不接地气，得手动加中国特色节日：

chinese_holidays = pd.DataFrame({
  'holiday': 'spring_festival',
  'ds': pd.to_datetime([
    '2019-02-04', '2020-01-24', '2021-02-11',
    '2022-02-01', '2023-01-22'
  ]),
  'lower_window': -3,  # 节前3天开始影响
  'upper_window': 7,   # 节后7天仍有影响
})
m.add_country_holidays(country_name='CN')  # 先加官方节日
m.holidays = pd.concat([m.holidays, chinese_holidays])  # 合并自定义

训练模型时记得把历史数据中的异常点排除，比如2022年上海封控期间的数据：

# 添加异常时段
df['floor'] = 0
df.loc[(df['ds'] >= '2022-03-28') & (df['ds'] <= '2022-05-31'), 'floor'] = 100
m.fit(df)

预测代码倒是简单，但要注意future数据要包含所有可能的影响因素：

future = m.make_future_dataframe(periods=90)
forecast = m.predict(future)
fig = m.plot(forecast)

看预测结果时，重点看components里的holidays部分：

from prophet.plot import plot_components
plot_components(forecast)

这时候可能会发现双11的效应被低估了——因为随机生成的数据里没刻意制造这个峰值。这时需要手动调整holidays参数，比如把双11的upper_window拉长到15天。

模型有个坑：默认的seasonality_mode是加法模式。如果数据波动幅度随时间增大，得换成multiplicative：

m = Prophet(..., seasonality_mode='multiplicative')
m.add_seasonality(name='monthly', period=30.5, fourier_order=5)

最终部署时建议保存模型二进制，避免重复训练：

import json
from prophet.serialize import model_to_json

with open('prophet_model.json', 'w') as f:
    json.dump(model_to_json(m), f)

实测时发现，这货对促销日的预测比人工拍脑门准多了。但遇到黑天鹅事件（比如疫情）还是得靠手动调整。别迷信算法，业务理解才是王道。