新版本ProPhet时间序列预测1:模型解释和安装和初步使用

安装

安装1.0版本之后:
区别: 1.0版本叫prophet <1.0版本叫fbprophet
1.0以下版本安装

pip安装

备注(不建议pip安装 如果安装报错解决如下):
pip install pystan报错先安装以下在安装pystan
Cython
convertdate
lunarcalendar
holidays
tqdm
pytan

pip install fbprophet报错 先安装以下
pandas
convertdate
lunarcalendar
holidays

其中0.7版本的pfprophet需要指定numpy版本小于1.24, pandas需要支持append方法的旧版本
pip install numpy==1.23.5
pip install pandas==1.0.3

conda安装

1.0 以下安装

conda install pystan
conda install -c conda-forge fbprophet
conda install plotly  # 不安装的话可视化会报错

1.0 以上安装

conda install -c conda-forge prophet
conda install plotly  # 不安装的话可视化会报错

Prophet

Prophet原理图Prophet的大致原理如下，它将一个时间序列看成是三部分的组合：趋势，季节和假日和其他

Prophet对缺失值友好，但对异常值敏感。异常值可设置成None，防止影响模型的拟合。
模型默认线性趋势，但如果数据按照log方式增长的，可调节为growth=”logistic”逻辑回归模型。
当我们预先知道某天会影响数据的整体走势，可以提前将此天设置成转折点（changepoint）。
在设定周期性时，模型默认按照年、星期、天设定，月和小时如需要自行设定。
针对节假日，可通过holiday来进行调节，针对不同的假期，可调整不同的前后窗口期，例如：春节7日

Prophet参数及默认值介绍：
def __init__(
            self,
            growth='linear',
            changepoints=None,
            n_changepoints=25,
            changepoint_range=0.8,
            yearly_seasonality='auto',
            weekly_seasonality='auto',
            daily_seasonality='auto',
            holidays=None,
            seasonality_mode='additive',
            seasonality_prior_scale=10.0,
            holidays_prior_scale=10.0,
            changepoint_prior_scale=0.05,
            mcmc_samples=0,
            interval_width=0.80,
            uncertainty_samples=1000,
            stan_backend=None
    ):

• growth：趋势函数设置，默认线性“linear”，可选非线性“logistic”。
• changepoints：选择突变点，默认自动选择“None”。 传时间即可 如:["2023-4-15"]
• n_changepoints：突变点个数，默认“25个”。如果changepoints指定，则这个参数就废弃了；如果changepoints没指定，
则会从输入的历史数据前80%中自动选取25个突变点。
• changepoint_range：突变点数据范围，默认“80%”。同样，如果changepoints指定，则这个参数就废弃了。
• changepoint_prior_scale: 调节“changepoints”发现强度，默认“0.05”。值越大对历史数据拟合程度越强，但会增加过拟合的风险。
• yearly_seasonality: 数据是否有年季节性，默认“自动检测”。
• weekly_seasonality: 数据是否有周季节性，默认“自动检测”。
• daily_seasonality: 数据是否有天季节性，默认“自动检测”。
• holidays：指定节假日，默认“None”，支持手动输入指定节假日。以DataFrame格式输入，涵盖：必须列【holiday(string)、ds(date)】、
可选列【lower_window(int)、upper_window(int)，指定影响的前后窗口期】。
• seasonality_mode: 季节性效应模式，默认加法模式“additive”，可选“multiplicative”乘法模式。
• seasonality_prior_scale: 调节季节性效应模式强度，默认“10”。值越大，季节性对模型影响越大。
• holidays_prior_scale: 调节节假日模式强度，默认“10”。值越大，节假日对模型影响越大。

模型使用

读取数据将数据处理为ds和y两列

import os
import numpy as np
import pandas as pd
from prophet import Prophet
from prophet.plot import add_changepoints_to_plot
import plotly.express as px
from prophet.plot import plot_plotly, plot_components_plotly, plot_cross_validation_metric


data = pd.read_csv("1_features.csv")
# prophet 时间列叫ds 目标值叫y
data = data.rename(columns={"ts": "ds", "data": "y"})[["ds", "y"]]

看下数据的分布

fig = px.line(data, x="ds", y="y")
fig.show()

模型训练

# model = Prophet(changepoints=['2022/11/24', '2023/2/25'], yearly_seasonality=True, weekly_seasonality=True, daily_seasonality=True)
model = Prophet()
# 采用中国的假期模式
model.add_country_holidays(country_name="CN")
model.fit(data)

预测

# 模型预测输出预测值、预测上限、预测下限等字段。
future = model.make_future_dataframe(periods=3, include_history=False)
forecast = model.predict(future)
print(forecast)

可视化预测结果

## 1.0 版本之前可视化
# fig1 = model.plot(forecast)
# # fig1.savefig('temp1.png')
# 突变点可视化
# add_changepoints_to_plot(fig1.gca(), model, forecast)
# fig1.show()


# 1.0版本之后可视化预测结果
fig = plot_plotly(model, forecast, trend=True)
# 显示突变点
# fig = plot_plotly(model, forecast, trend=True, changepoints=True)
fig.show()

可视化趋势、假期、每周、季节性、年度季节性的回归图

# 可视化趋势、假期、每周、季节性、年度季节性的回归图
fig = plot_components_plotly(model, forecast)
fig.show()

1.0之前模型保存

# 模型保存
with open('prophet_model.json', 'w') as md:
    json.dump(model_to_json(model), md)

# 模型读取
with open('prophet_model.json', 'r') as md:
    model = model_from_json(json.load(md))