fbprophet 时序模型的使用

最新推荐文章于 2025-03-23 21:59:30 发布

windows_oracle

最新推荐文章于 2025-03-23 21:59:30 发布

阅读量583

点赞数

分类专栏： python

本文链接：https://blog.youkuaiyun.com/windows_oracle/article/details/118707326

版权

python 专栏收录该内容

17 篇文章

订阅专栏

本文介绍了Facebook开源的时间序列预测库Prophet，它能处理异常值和缺失值，支持全自动预测。通过实例展示了如何安装、配置及使用Prophet进行时间序列建模，包括设置季节性、增长趋势和预测未来数据。并提供了代码示例展示预测结果的趋势图绘制。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Facebook 开源了一个时间序列预测的算法，叫做 fbprophet， prophet 算法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，还能够全自动地预测时间序列未来的走势。

1.安装，安装这里就不说了，随说安装痛苦但是 Anaconda 下面直接安装就可以。

2.安装完成后的使用。

import pandas as pd
from fbprophet import Prophet
from matplotlib import pyplot
df=pd.read_csv("../fbprophet/20210713.csv")
print(df)

df =df.loc[:,['reportTime','Ratio']]
df.columns = ['ds','y']
df['ds']=pd.to_datetime(df['ds'])
print(df)
'''
#实例化一个新Prophet对象来拟合模型
#easonality_mode='multiplicative'参数来建模乘法季节性
# additive 
#任何添加的季节性或额外的回归量将默认使用seasonality_mode设置的内容，
#但可以通过指定mode='additive'或mode='multiplicative'作为参数来覆盖seasonality_mode设置的内容。
 Python
m = Prophet(seasonality_mode='multiplicative')
m.add_seasonality('quarterly', period=91.25, fourier_order=8, mode='additive')
m.add_regressor('regressor', mode='additive')

Prophet 可使用 logistic 增长 趋势模型进行预测
growth='logistic' Prophet(growth='logistic')
growth="linear"
piecewise_logistic
分段线性函数(linear) 和逻辑回归函数(logistic)
而m=Prophet() 默认使用分段线性函数(linear),并且如果要使用
逻辑回归函数是需要设置capacity 的值
'''
m = Prophet(growth='logistic')
#growth='logistic'  时 piecewise_logistic 需要cap
df['cap']=5
m.fit(df)

#预测
#D代表天,M代表月 freq='W' 周 periods =365 代表后续365天 
#H代表小时 periods为预测数据小时 可以为 24/48 72 小时的数据

#支持小时 分钟秒预测
#支持分钟T或min 10min分钟  5min 那么 periods 指的时预测多少个10分钟的数据
#支持S 预测
future=m.make_future_dataframe(freq='D',periods=10)
print(future.tail())
#growth='logistic'  时 piecewise_logistic 需要cap 
future['cap'] = 5
forecast=m.predict(future)

print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail())

#展示预测结果趋势图和真实值
fig_show=m.plot(forecast)
pyplot.show()