【Python】使用Python+Prophet 实现时间序列分析

【Python】轻量化编程实战

提高打工人效率系列文章：

第二篇 使用Python+Prophet 实现时间序列分析

---

前言

提示：这里可以添加本文要记录的大概内容：

创作背景：Prophet是一个由Facebook开发的时间序列分析工具，早期是用来分析网页点击行为规律。在实际工作中，我把它延申应用到分析网约车订单的出行规律中。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、Prophet是什么？

Prophet是基于可分解（趋势+季节+节假日）模型的开源库，可以用简单直观的参数进行高精度的时间序列预测，并且支持自定义季节和节假日的影响。
原理：
时间序列模型可分解为三个主要组成部分：趋势，季节性和节假日。
它们按如下公式组合：

其中：
g(t)：用于拟合时间序列中的分段线性增长或逻辑增长等非周期变化。
s(t)：周期变化（如：每周/每年的季节性）。
h(t)：非规律性的节假日效应（用户造成）。
et：误差项用来反映未在模型中体现的异常变动。

二、为什么出行业务可以使用 时间序列 模型进行分析？

1. 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；
2. 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；
3. 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）；

三、程序实现

3.1 导入库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime
from fbprophet import Prophet

1. Prophet库可以通过pip来安装，建议走国内的安装源，更快一些。
2. Matplotlib需要单独安装中文字符库，否则有些字体会显示成方块。

#字体管理器
from matplotlib import font_manager as rcParams
plt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签
plt.rcParams['axes.unicode_minus']=False   #这两行需要手动设置

3.2 读取并预处理相关数据

分析出行数据规律的话，最好按照分析颗粒度需求来聚合一下，否则数据量实在太大且分散，没有分析价值。

我这里是要看每天24小时之内，每个小时段的用车规律，所以只要按照小时来聚合数据即可。如果要看的是全年每一天的规律，那就按天聚合。

#数据处理
data_bs = pd.read_csv('C:/Users/xxxx/Downloads/xx区分时单量_2021-04-25.csv',header=0,encoding='gbk')

# 按照时段聚合单量的函数
def order_per_hour(data):
    data['撮合成功时间'] = pd.to_datetime(data['撮合成功时间'])
    # 将撮合时间归集到当前小时
    data['订单时段'] = data['撮合成功时间'].map(lambda x:x.replace(minute=0,second=0))
    # 按照每天每个小时聚合
    result = data.groupby(['订单时段'])[['起点区域']].count()
    result.sort_index()
    result.reset_index(inplace=True)
    result.rename(columns={
   
   '订单时段':'ds','起点区域':'y'},inplace=True)
    return result

# 获得按小时聚合的数据
result_bs = order_per_hour(data_bs)

3.3 增加非规律性信息

出行规律可能会受到一些非规律性因素的影响，从而会导致在数据上显示出不同寻常的突起。Prophet工具的优点就在于，可以自定义非规律性信息（这些非规律信息必须是跟着时间走的），也就上上面公式中的h(t)：非规律性的节假日效应（用户造成）。

我们在出行规律分析中，可以将节假日作为异常信息投喂给模型。

代码示例：