MATLAB算法实战应用案例精讲-【数模应用】Prophet时间序列算法（附python代码实现）

目录

前言

算法原理

注意事项

数学模型

 Prophet 数据的输入和输出

趋势项模型

变点的选择（Changepoint Selection）

对未来的预估（Trend Forecast Uncertainty） 

季节性趋势

节假日效应（holidays and events）

模型拟合（Model Fitting）

饱和预测

预测饱和减少

趋势突变点

Prophet 中的自动监测突变点

 调整趋势的灵活性

指定突变点的位置

季节性，假期效果和回归量

对假期和特征事件建模

内置的国家假期

季节性的傅里叶级数

自定义季节性因素

对节假日和季节性设定先验规模

 附加的回归量

乘法季节性

预测区间

趋势的不确定性

季节的不确定性

异常值

非日数据

子日数据

有规则间隔的数据

月数据

诊断

应用案例-Prophet进行汽车销量预测

Prophet预测库介绍

汽车销量数据集

1. 加载数据并进行统计描述

2. 加载数据并绘制图表

使用Prophet进行汽车销量预测

1. 拟合Prophet模型

2. 进行样本内预测

3. 进行样本外预测

4. 手动对预测模型进行性能评估

优缺点：

优点：

缺点：

代码实现

python

Prophet库的参数

格式设置

---

前言

Prophet模型是一种时间序列预测模型，由Facebook开发。Prophet模型采用了一种灵活的框架，使得对于不同的时间序列，可以通过简单的参数调整来实现精准的预测。

Prophet模型将时间序列分解为四个主要的成分：趋势、季节性、假日效应和噪声。其中，趋势是时间序列的长期变化趋势，季节性是周期性变化的模式，假日效应是指在特殊日期或时间段内的影响，噪声则是无法被预测的随机变化。

Prophet模型既可以使用加法模型，也可以使用乘法模型。加法模型和乘法模型都有各自的优缺点，适用于不同类型的时间序列。通常情况下，加法模型适用于时间序列的趋势和季节性与数据规模无关的情况，例如气温和降雨量；而乘法模型适用于时间序列的趋势和季节性与数据规模相关的情况，例如商品销售量和股票价格。在使用Prophet模型进行时间序列预测时，