【时序预测】3、prophet：Forecasting at Scale | 项目未来规划 | 其他时序预测库

Facebook/Prpphet 在2023年及以后

自2017年Sean Taylor和Ben Letham开源Prophet以来，它一直是预测时间序列的流行工具，特别是在我们希望对人类活动和消费建模的商业和规划环境中(例如，网站流量、视频观看小时数)。

截至2023年1月，通过PyPI的下载次数已经超过了1600万次，而且每月的下载量仍将保持在100万次。然而，老用户会意识到，在过去的几年里，发布速度已经放慢了。在这篇文章中，我们将介绍我们对该方案的未来计划，以及我们如何设想它与预测生态系统的其余部分相匹配。

一、摘要

未来关于先知的工作将主要集中在：

• 易于安装和与集成：如 sktime 和分析服务
• 提升运行时稳定性
• 更清晰的文档：不同类型时间序列的参数选择、案例研究和性能基准

我们不打算对底层模型进行大的更改。Prophet的优势保持不变–分析师在环预测器，具有人类可解释的参数，易于应用于业务分析用例。

但我们鼓励任何寻求预测前沿创新的人，尝试别的库，比如 NeuralProphet 和Nixtla/statsforecast 等。

二、Seamless installation and integration 无缝安装和集成

2021年末，Zillow受到Twitter数据科学界的抨击，原因是他们被认为依赖Prophet预测房价(预测为Zillow提供的买入/卖出决策提供了依据，这一举措导致公司损失3亿美元，最终被关闭)。对我来说，一句难忘的话(来自这篇深思熟虑的博客文章)是

Prophet is very convenient because it’s hard to beat pip install prophet into from prophet import Prophet into Prophet().fit(df)

-如果有人真的在第一次尝试时就成功地使用了这些命令，我会印象深刻的！

在V1.1之前，pip install prophet 实际上在最终用户的机器上启动了一个「构建项目的过程」，这需要PyStan(Stan是用于适应底层模型的概率编程语言)和兼容的C++工具链(例如，MacOS的Xcode)。这导致了很多关于先决条件的混乱，错误消息因机器而异，因此很难调试–总的来说，对于一般的数据科学家来说，这是一种糟糕的安装体验。

依赖于Prophet的包装包还必须绑定到旧版本的PyStan和Prophet上，测试升级到新版本是否安全并不简单。

在开源社区的帮助下，我们在 pypi 提供二进制发行版，这样用户实际上就可以运行 pip install prophet。要做到这一点，有几个步骤：

• 我们将后端从 PyStan 替换为 CmdStanPy，这是一个核心Stan库(称为CmdStan)的轻量级Python接口。构建完成后，只要有一个名为 TBB 的数学链接库，就可以按原样使用stan可执行文件。我们的想法是，如果我们将这些可执行文件、tbb和Prophet的已编译Stan代码保存在包中，最终用户就可以运行.fit()，而不需要编译任何C++代码。
• 我们扩展了 setuptools 中的构建命令以实现上述功能，在构建过程中添加了以下步骤：下载并安装CmdStan，编译Prophet模型，然后将1 GB的CmdStan文件夹修剪为不到20MB的必要可执行文件和tbb库。经过几次迭代才得到了一个全面的(即覆盖所有操作系统)但简洁的实现，我们感谢Stan开发团队，特别是Brian Ward，他们在这里提供了指导。
• 最后，我们使用 cibuildwheel 和 Github Actions 在CI机器上运行构建过程，涵盖所有主要操作系统和Python版本。

将二进制发行版上传到PyPI后，立即对安装体验产生了积极影响。以下是 Prophet 的Github问题随时间的图表，按所问问题的类型分类。平均每两个月我们就会看到8个与安装Python相关的问题，而在Prophet V1.1发布后，这个问题减少了一半。

我们将继续发展我们的构建过程，以符合现代的Python打包标准：最近，我们遵循了 Bokeh 的 setup.py 重构(Bokeh需要一个Java运行时来生成交互式可视化，类似于Prophet所需的Stan运行时)，并创建了与版本无关的Python轮子，让用户可以自由使用更新的Python版本(这是可能的，因为编译和执行Stan模型不依赖于Python内部)。

这些努力不仅将使最终用户能够快速入门，还意味着更容易与 sktime 和 Kats 等库以及 Snowflake 和 Databricks 等服务集成。

三、Polishing existing applications, rather than introducing new methods 改进现有应用程序，而不是引入新方法

最初的Prophet模型设计了几个核心组件：

• 含 changepoints 的分段线性趋势
• 多季节性
• exogenous regressors（外生回归变量）
• 可调整的参数

这些参数都有默认值，也可以允许用户再微调参数。

这是对人类行为产生的大多数时间序列的良好概括：

• shocks（冲击）和non-stationarity（非平稳性）可以通过灵活的 trend component（趋势分量）来捕捉
• day-of-week 和 day-of-year seasonality 可以通过组合多个傅立叶序列来捕捉
• holiday effects 可以作为 binary regressors （二元回归变量）来捕捉。

自最初发布以来，几个主要的变化帮助涵盖了更大范围的时间序列模式：

• multiplicative seasonality（乘性季节性），而不是累加性季节性
• regressor components（回归分量）
• 允许 seasonality（季节性）和 regressors（回归因子）决定预测的 flat trend（平坦趋势）。

虽然目前已经有了对该模型进行进一步改进的想法，但目前我们暂不打算对基础 stan 模型进行任何更改。这些想法中的许多可能是有用的

• 比如允许 y 的不同误差分布
• 或者模型参数的不同先验分布

但像 NeuralProphet 和 Orbit 这样的库，在设计时就考虑到了这种类型的可扩展性，而不像Prophet。我们还预计，时间序列预测的创新，将通过这些新的库而不是 Prophet 来实现。

相反，我们将专注于解决现有功能中的缺陷，这应该有助于那些目前在现实世界中使用 Prophet 的人。一些例子包括：

• 通过将我们的定制数据与 holidays 库合并，使假日数据保持最新，这也意味着随着新版本假日的发布，将更好地覆盖国家和分区。
• 在交叉验证和不确定度估计过程中，正确处理 extra regressors（额外的回归变量）。在生成预测时，额外的回归变量目前被假定为已知量，这对假日指标有效，但不适用于需要估计的数量。
• Patching negative predictions for positive-valued time series（修补正值时间序列的负预测）。

运行时优化也可以在生产流程中提供很大的帮助，通常情况下，适合不同的模型并针对不同的数据片段生成预测。

• V1.1.1版本中的一大特性是将用于计算不确定性区间的模拟矢量化，这使 .recast() 的速度提高了至少一个数量级。这都要归功于这项初步研究。
• 在未来的版本中，我们将引入 NumPyro 作为另一种概率编程语言后端，对于更长的历史数据集，它的.fit()速度要快得多，特别是在需要 MCMC 采样的情况下。

四、Education and documentation 文档

有关故障排除预测、了解不同参数如何影响模型，以及添加自定义季节性回归变量的问题，是Github问题中最常见的类型，占过去六个月报告问题的50%。

虽然我们已经有了基本的文档，但有机会用更多的案例研究来扩展这些文档(我们最近增加了一个案例研究，用于处理新冠封锁造成的系统性变化)，并深入探讨如何通过参数选择来表示对时间序列的先前信念。毕竟，Prophet是用来与“圈内分析师”一起使用的，与其他算法相比，它的优势之一是具有可解释、可调整的参数，详见原始论文。

一些基准研究：microprediction、NIXTLA/STATSFOREST) 也表明，对于具有某些特征的时间序列，PROPHET的默认设置导致预测精度较差。

我们真的很喜欢这项研究，并认为在我们自己的文档中提供关于Prophet的亮点(在准确性方面)，以及其他技术在哪里表现更好的清晰度是很重要的。

已经有了标准化的基础设施(例如 sktime)，和数据集(例如用于时间序列基准的 https://forecastingdata.org/))的努力，我们将为这些计划做出贡献，最终目的是引导最终用户找到适合他们用例的正确工具。

六、其他预测库

基础设置：sktime
公开预测数据集：https://forecastingdata.org/
其他预测库：https://github.com/uber/orbit

• statsforecast, and other packages from the Nixtla group such as hierarchicalforecast and neuralforecast.
• NeuralProphet, a Prophet-style model implemented in PyTorch, to be more adaptable and extensible.

这些github存储库提供了在Prophet之上构建的示例，可能会引起广泛的兴趣：

• forecastr: A web app that provides a UI for Prophet.