机器学习笔记一-----------------Prophet（时间序列模型）的安装及简单例程

一，windows下配置Prophet

1，创建python3.7的环境

1)首先在所在系统中安装Anaconda。可以打开命令行输入conda -V检验是否安装以及当前conda的版本。

2)conda list 查看安装了哪些包

3)创建Python虚拟环境。

使用 conda create -n your_env_name python=X.X（2.7、3.6等） anaconda 命令创建python版本为X.X、名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。

 4) conda create -n Prophet python=3.7

验证是否安装正确，参照下图即可

检查python的版本

python --version

5）需要移除创建的环境的方法

• 移除环境

   使用命令conda remove -n your_env_name(虚拟环境名称) --all， 即可删除。

• 删除环境中的某个包。

   使用命令conda remove --name $your_env_name  $package_name 即可。

6）设置国内镜像

如果需要安装很多packages，你会发现conda下载的速度经常很慢，因为Anaconda.org的服务器在国外。所幸的是，清华TUNA镜像源有Anaconda仓库的镜像，我们将其加入conda的配置即可：

1 2 3 4 5 6

# 添加Anaconda的TUNA镜像 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ # TUNA的help中镜像地址加有引号，需要去掉 # 设置搜索时显示通道地址 conda config --set show_channel_urls yes

2， Prophet(时间序列模型)的配置

pip install pystan==2.19.1.1

conda install -c conda-forge fbprophet

 等更新完conda后，再输入：

conda install -c conda-forge fbprophet

运行出现错误，执行下面一句

参考博文：

Windows平台下安装prophet_iwtbs_kevin的博客-CSDN博客_prophet安装

Python机器学习008：安装prophet走过的坑_布衣书生-Python的博客-CSDN博客

安装是否成功测试

import numpy as np
import pandas as pd
from scipy import stats
import statsmodels.api as sm
import matplotlib.pyplot as plt
from fbprophet import Prophet
from fbprophet.diagnostics import cross_validation
from fbprophet.plot import plot_cross_validation_metric
from fbprophet.diagnostics import performance_metrics

导入以上的头文件不报错误，表示安装成功

二，linux下安装Prophet的环境

1，不同版本的annconda 的下载网址

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

2，安装annconda

linux下非root用户安装Anaconda_liangliang0927的博客-CSDN博客_非root用户安装anaconda

3,配置环境

conda config --add channels - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --set show_channel_urls yes

conda install pystan

安装后进行测试

import pystan
model_code = ‘parameters {real y;} model {y ~ normal(0,1);}’
model = pystan.StanModel(model_code=model_code)
y = model.sampling().extract()[‘y’]
y.mean()

输出结果接近0则为正确

安装fbprophet

pip install fbprophet

安装后进行测试

from fbprophet import Prophet

会提示出错误，缺少安装包plotly

使用命令进行安装

pip install plotply

然后再进行测试

三，windows和linux环境下的服务器链接的方法

使用Pycharm2021专业版远程连接服务器_anyanyanyway的博客-CSDN博客_pycharm2021远程连接服务器跑代码

四，时间序列预测模型测试笔记

1，Prophet 适用条件

        并非所有的预测问题都可以通过同一种程序（procedure）解决。Prophet 是为我们在 Facebook 所遇到的业务预测任务而优化的，这些任务通常具有以下特点：

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）。
4）缺失的历史数据或较大的异常数据的数量在合理范围内；
5）有历史趋势的变化；
6）对于数据中蕴含的非线性增长的趋势都有一个自然极限或饱和状态。
 

1,简单用例说明

1）首先使用一些原始数据，调用prophet方法的fit方法进行模型的拟合

import pandas as pd
import matplotlib.pyplot as plt
from fbprophet import Prophet
from prophet.plot import plot_plotly, plot_components_plotly
df = pd.read_csv('example_wp_log_peyton_manning.csv')
new_df = df[0:2896]
print(new_df)

m = Prophet()
m.fit(new_df)

执行后的结果为： 

2）在一个数据框上进行预测，该数据框可以延展到指定的天数，默认情况下，它还将包括历史记录中的日期，因此我们也会看到模型是否合适。

future = m.make_future_dataframe(periods=10)
future.tail()

3） 预言，这里产生一个新的数据框，包括一个带有预测的列，以及用于组件和不确定性区间的列，这里加入了计时操作，由于要考虑到时间的问题

import time
starttime = time.time()
forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()
endtime = time.time()
dtime = endtime - starttime
print("程序运行时间：%.8s s" % dtime)  #显示到微秒
print(forecast)

4)显示方法

如果想查看预测的成分分析，可以使用 Prophet.plot_components 方法。默认情况下，将展示趋势、时间序列的年度季节性和周季节性。如果之前包含了节假日，也会展示出来。

#数据的显示，您的预测数据框来绘制预测
fig1 = m.plot(forecast)
#只查看预测组件将看到时间序列的趋势
# 年度季节性和每周季节性。如果你包括假期，你也会在这里看到。
fig2 = m.plot_components(forecast)
fig2.show()

 注： 一个很核心的问题是我们应该怎么样理解上图的3个子图。通过对forecast这个Dataframe分析我们就可以得到结论。

print(forecast.columns)
# Index(['ds', 'trend', 'yhat_lower', 'yhat_upper', 'trend_lower', 'trend_upper',
#        'additive_terms', 'additive_terms_lower', 'additive_terms_upper',
#        'weekly', 'weekly_lower', 'weekly_upper', 'yearly', 'yearly_lower',
#        'yearly_upper', 'multiplicative_terms', 'multiplicative_terms_lower',
#        'multiplicative_terms_upper', 'yhat'],
#       dtype='object')

通过对数据的分析，我们就可以知道：

①图1是根据trend画出来的，图2是根据weekly画出来的，图3是根据yearly画出来的。

②因为是加法模型，

有：forecast['additive_terms'] = forecast['weekly'] + forecast['yearly']；

有：forecast['yhat']  = forecast['trend'] +  forecast['additive_terms'] 。

因此：forecast['yhat']  = forecast['trend'] +forecast['weekly'] + forecast['yearly']。

如果有节假日因素，那么就会有forecast['yhat']  = forecast['trend'] +forecast['weekly'] + forecast['yearly'] + forecast['holidays']。

节假日因素，对于那些是节假日的天数，forecast['holidays']才会有值，不是节假日的天数，forecast['holidays']为0。

③因为是加法模型，'multiplicative_terms', 'multiplicative_terms_lower', 'multiplicative_terms_upper'这3列为空。

因此，基于上面的分析，weekly中的Monday为0.3的意思就是，在trend的基础上，加0.3；Saturday为-0.3的意思就是，在trend的基础上，减0.3。因此，这条线的高低也在一定程度上反应了“销量的趋势“。

注：许多方法的细节可以通过help(Prophet) 或者 help(Prophet.fit) 来获得。
 

最终的代码为：

import pandas as pd
import matplotlib.pyplot as plt
from fbprophet import Prophet
from prophet.plot import plot_plotly, plot_components_plotly
import time

#数据的读入，输入的数据的时间是从2007年12月10号到2016年1月20日
#一共是2905天
df = pd.read_csv('example_wp_log_peyton_manning.csv')
# new_df = df[0:2896]
print(df)
#使用原始的进行拟合，通过对一个 Prophet 对象进行实例化来拟合模型
#调用拟合模型进行拟合
m = Prophet()
m.fit(df)
#在一个数据框上进行预测，该数据框可以延展到指定的天数，默认情况下，它还将包括历史记录中的日期，因此我们也会看到模型是否合适。
#这仅仅是一个数据框，比如要求10天
#通过使用辅助的方法 Prophet.make_future_dataframe 来将未来的日期扩展指定的天数，得到一个合规的数据框。
#这里假定预测数据集365天，所以结果打印出来是ds的结束是2017，01，19
#一共是3275天，即将未来的日期扩展指定的天数
#这样做会自动包含历史数据的日期，因此我们也可以用来查看模型对于历史数据的拟合效果。
future = m.make_future_dataframe(periods=365)
future.tail()
print(future)

#预言，这里产生一个新的数据框，包括一个带有预测的列，以及用于组件和不确定性区间的列
starttime = time.time()
#predict 方法将会对每一行未来 future 日期得到一个预测值
#预测 forecast 创建的对象应当是一个新的数据框，其中包含一列预测值 yhat ，以及成分的分析和置信区间。
forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()
endtime = time.time()
dtime = endtime - starttime
print("程序运行时间：%.8s s" % dtime)  #显示到微秒
print(forecast)
#如果想详细看forecast都有哪些列，可以执行下列的语句
print(forecast.columns)
# Index(['ds', 'trend', 'yhat_lower', 'yhat_upper', 'trend_lower', 'trend_upper',
#        'additive_terms', 'additive_terms_lower', 'additive_terms_upper',
#        'weekly', 'weekly_lower', 'weekly_upper', 'yearly', 'yearly_lower',
#        'yearly_upper', 'multiplicative_terms', 'multiplicative_terms_lower',
#        'multiplicative_terms_upper', 'yhat'],
#       dtype='object')
#数据的显示，您的预测数据框来绘制预测，这里的这种显示，会将
fig1 = m.plot(forecast)
fig1.show()
#只查看预测组件将看到时间序列的趋势
# 年度季节性和每周季节性。如果你包括假期，你也会在这里看到。
fig2 = m.plot_components(forecast)
fig2.show()

2，prophet方法的其他用处

1，饱和预测（可以预测到什么时候到达饱和值，上限是由专家设定的）

    默认情况下， Prophet 使用线性模型进行预测。当预测增长情况时，通常会存在可到达的最大极限值，例如：总市场规模、总人口数等等。这被称做承载能力（carrying capacity），那么预测时就应当在接近该值时趋于饱和。

    Prophet 可使用 logistic 增长 趋势模型进行预测，同时指定承载能力。下面使用 R 语言的维基百科主页 访问量（取对数）的实例来进行说明。

import pandas as pd
from fbprophet import Prophet
#读入经过LOG处理后的数据
df = pd.read_csv('example_wp_log_R.csv')
print(df)
#新建一列 cap 来指定承载能力的大小。
# 本实例中假设取某个特定的值，通常情况下这个值应当通过市场规模的数据或专业知识来决定。
df['cap'] = 8.5
print(df)

值得注意的是数据框的每行都必须指定 cap 的值，但并非需要是恒定值。如果市场规模在不断地增长，那么 cap 也可以是不断增长的序列。

通过一个新增的参数来指定采用 logistic 增长：

m = Prophet(growth='logistic')
m.fit(df)

可以创建一个数据框来预测未来值，不过这里要指定未来的承载能力。我们将未来的承载能力设定得和历史数据一样，并且预测未来 3 年的数据。

future = m.make_future_dataframe(periods=1826)
future['cap'] = 8.5
fcst = m.predict(future)

总的代码为：

import pandas as pd
from fbprophet import Prophet
#读入经过LOG处理后的数据
df = pd.read_csv('example_wp_log_R.csv')
print(df)
#新建一列 cap 来指定承载能力的大小。
# 本实例中假设取某个特定的值，通常情况下这个值应当通过市场规模的数据或专业知识来决定。
df['cap'] = 8.5
print(df)
#指定预测模型的方法
#通过一个新增的参数来指定采用 logistic 增长，第一个例子是默认的拟合方法m = Prophet()
m = Prophet(growth='logistic')
m.fit(df)
#我们可以创建一个数据框来预测未来值，不过这里要指定未来的承载能力。
# 我们将未来的承载能力设定得和历史数据一样，并且预测未来 3 年的数据。
future = m.make_future_dataframe(periods=1826)
future['cap'] = 8.5
fcst = m.predict(future)
fig = m.plot(fcst)
fig.show()

 2，预测饱和减少（可以预测什么时候达到结束）

logistic增长模型还可以处理饱和最小值，方法与指定最大值的列的方式相同:

#读入经过LOG处理后的数据
df = pd.read_csv('example_wp_log_R.csv')
print(df)
#新建一列 cap 来指定承载能力的大小。
# 本实例中假设取某个特定的值，通常情况下这个值应当通过市场规模的数据或专业知识来决定。
# 给数据增加一些维度
df['y'] = 10 - df['y']
df['cap'] = 6
df['floor'] = 1.5
print(df)

 

 预测的流程和上面的流程是一致的，总的代码如下：

import pandas as pd
from fbprophet import Prophet
#读入经过LOG处理后的数据
df = pd.read_csv('example_wp_log_R.csv')
print(df)
#新建一列 cap 来指定承载能力的大小。
# 本实例中假设取某个特定的值，通常情况下这个值应当通过市场规模的数据或专业知识来决定。
# 给数据增加一些维度
df['y'] = 10 - df['y']
df['cap'] = 6
df['floor'] = 1.5
print(df)
#指定预测的方法
m = Prophet(growth='logistic')
m.fit(df)
#创建预测的数据框，同时指出要预测的时间段长度，同时将要预测的内容和数据设定对齐
#设定预测还是三年以后
future = m.make_future_dataframe(periods=1826)
future['cap'] = 6
future['floor'] = 1.5
#预测并且显示
fcst = m.predict(future)
fig = m.plot(fcst)
fig.show()

3，fbprophet优点
（1）大规模、细粒度数据

          能进行大范围预测，并且给出置信区间；数据时间粒度可以很小，支持小时、天、月数据。

（2）自动处理缺失值数据

          遇到有缺失的数据时其它预测方法需要先进行插值填补预处理，而fbprophet可以自己处理缺失值数据。

（3）更灵活，支持季节、节假日调节

          有些突变点往往是由特别的节假日期引起的，fbprophet支持输入这些日期以及前后影响的时间窗口，预测的时候自动适这些日期。

（4）趋势预测+趋势分解

          拟合的有两种趋势：线性趋势、logistic趋势；趋势分解有很多种：Trend、年、周、天趋势、以及节假日效应。

（5）模型参数易解释

          模型参数很好理解，可以让分析师根据业务经验调节参数来增强某部分假设提高准确率，使模型与业务达到理想的融合。

（6）拟合速度快

（7）操作简单

          不仅环境搭建简单，而且只要十几行代码即可完成整个预测过程。