Prophet时序预测方法小结

Prophet：facebook开源的的时序预测算法，基于时间序列分解和机器学习拟合实现预测。

把时间序列分为不同时间间隔和整体趋势的组合，间隔： 年 季度 月 周 日。

适用范围：有数月月（最好一年）的每小时、每天或每周观察的历史数据，有较强的季节性趋势；
已知不定期间隔发生的重要节假日；缺失的历史数据或较大的异常数据的数量在合理范围内；
历史趋势的变化；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；

Prophet 的输入：已知的时间序列的时间戳和对应值；传入prophet的数据分为两列 ds 和 y ,ds表示时间序列的时间戳，y表示时间序列的取值
输出：未来的时间序列走势，可以提供必要的统计指标，包括拟合曲线，上界和下界等。

y_hat：时间序列的预测值
yhat_lower：预测值的下界
yhat_upper：预测值的上界

Prophet可表示为 ，

g(t)：增长趋势，线性增长：基于分段线性函数，非线性增长：基于逻辑回归函数。；

s(t) ：季节趋势； 

h(t)：节假日；

φ(t)：误差项或者称为剩余项，表示模型未预测到的波动， 服从高斯分布；

模型参数
趋势参数：

    变点位置：changepoint_range，百分比值，在前 changepoint_range 长的时序中设置变点，default=0.8。
    变点数量：n_changepoint，default=25。
    增长变化率：changepoint_prior_scale，变点增长率的分布情况。

季节参数：使用傅里叶级数模拟

seasonality_prior_scale：季节效应，值越小，表示季节效应越不明显。
seasonality_mode： 两种模式，加法和乘法，默认是加法的形式。

节假日项：

holidays_prior_scale：default=10，值越大表示节假日对模型的影响越大。

参考：

prophet模型预测时间序列_prophet预测模型-CSDN博客

Python量化-- Facebook Prophet 模型超详细指南 - 知乎