Prophet代码实战（三）外部变量调节

现实、狠残酷

已于 2023-02-07 10:39:55 修改

阅读量1.4k

点赞数 3

分类专栏： Prophet 文章标签： python 人工智能数据挖掘

于 2022-10-11 11:06:46 首次发布

本文链接：https://blog.csdn.net/qq_34184505/article/details/127259495

版权

Prophet 专栏收录该内容

4 篇文章 6 订阅

订阅专栏

Prophet Quick Start

数据格式

Prophet 的输入必须包含两列的数据框：ds 和 y 。

ds 列必须包含日期（YYYY-MM-DD）或者是具体的时间点（YYYY-MM-DD HH:MM:SS）。
y 列必须是数值变量，表示我们希望去预测的量。

example_wp_log_peyton_manning.csv下载地址：

import pandas as pd
from prophet import Prophet

# 读入数据集
df = pd.read_csv('data/example_wp_log_peyton_manning.csv')

print(df.tail(5))
"""
              ds          y
2900  2016-01-16   7.817223
2901  2016-01-17   9.273878
2902  2016-01-18  10.333775
2903  2016-01-19   9.125871
2904  2016-01-20   8.891374
"""

建模流程

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。

m = Prophet()
m.fit(df)
# 构建待预测日期数据框，periods = 365 代表除历史数据的日期外再往后推 365 天
horizon = 365
future = m.make_future_dataframe(periods=horizon)
future.tail(5)
"""
             ds
3265 2017-01-15
3266 2017-01-16
3267 2017-01-17
3268 2017-01-18
3269 2017-01-19
"""
# 预测
forecast = m.predict(future)
# 通过 Prophet.plot 方法传入预测得到的数据框，可以对预测的效果进行绘图。
fig1 = m.plot(forecast)
# 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。
fig2 = m.plot_components(forecast)

在这里插入图片描述
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。

在这里插入图片描述

Prophet详解

在前面的文章【Prophet代码实战（一）趋势项调节】和【Prophet代码实战（二）季节项调节】介绍了Prophet算法的趋势项和季节项。接下来我们开始介绍Prophet算法的外部变量

外部变量（需要线性相关）

Prophet内置的节假日

prophet里内置了python包"holidays"(https://github.com/dr-prodigy/python-holidays)里的所有国家；所有日期的节假日。
Prophet会将节假日转换为0-1变量，用线性回归的方式判断节假日对观测值的影响。

m = Prophet() 
m.add_country_holidays(country_name="US")
m.fit(df)
horizon = 365
future = m.make_future_dataframe(periods=horizon)

# 查看节假日
m.train_holiday_names
"""
0                  New Year's Day
1      Martin Luther King Jr. Day
2           Washington's Birthday
3                    Memorial Day
4                Independence Day
5                       Labor Day
6                    Columbus Day
7                    Veterans Day
8                    Thanksgiving
9                   Christmas Day
10       Christmas Day (Observed)
11        Veterans Day (Observed)
12    Independence Day (Observed)
13      New Year's Day (Observed)
dtype: object
"""
fig = m.plot_components(forecast)

在这里插入图片描述
超参数holidays_prior_scale

节假日系数先验概率，默认0.1，越大会导致模型结果中节假日影响越大，越容易过拟合，反之欠拟合。

m = Prophet(holidays_prior_scale=0.001) 
m.add_country_holidays(country_name="US")
m.fit(df)
horizon = 365
future = m.make_future_dataframe(periods=horizon)
forecast = m.predict(future)
fig = m.plot_components(forecast)

在这里插入图片描述
自定义节假日、特殊日期

用户可以提供自定义的节假日名称、日期、影响范围（节前几天、节后几天）
Prophet会将节假日前后的日期转化为0-1变量，用线性回归的方式判断节假日对观测值的影响。

# 自定义两个对运动员的热度具有很大影响的特殊日期：休赛期和超级碗
playoffs = pd.DataFrame({
    "holiday":"playoff",
    "ds":pd.to_datetime(["2008-01-13", "2009-01-13", "2010-01-16",
                         "2010-01-24", "2010-02-07", "2011-01-08",
                         "2013-01-12", "2014-01-12", "2014-01-19",
                         "2014-02-02", "2015-01-11", "2016-01-17",
                         "2016-01-24", "2016-02-07"]),
    "lower_window":0,
    "upper_window":1
})

superbowls = pd.DataFrame({
    "holiday":"superbowl",
    "ds":pd.to_datetime(["2010-02-07", "2014-02-02", "2016-02-07"]),
    "lower_window":0,
    "upper_window":1
})

holidays = pd.concat([playoffs,superbowls])

m = Prophet(holidays=holidays) 
m.add_country_holidays(country_name="US") # 同时考虑传统节假日和自定义节假日
m.fit(df)
horizon = 365
future = m.make_future_dataframe(periods=horizon)
forecast = m.predict(future)
fig = m.plot_components(forecast)

在这里插入图片描述
其他外部变量

用户可以直接在训练集和测试集的dateframe中加入其他的外部变量字段
Prophet会用线性回归的方式拟合外部变量对观测值的影响
必须保证外部变量在历史和未来都能找到对应的日期和取值

# 添加外部变量：是否时橄榄球赛季的周六、周日
def nfl_sunday(ds):
    date = pd.to_datetime(ds)
    if date.weekday() == 6 and (date.month > 8 or date.month < 2):
        return 1
    else:
        return 0

def nfl_saturday(ds):
    date = pd.to_datetime(ds)
    if date.weekday() == 5 and (date.month > 8 or date.month < 2):
        return 1
    else:
        return 0


df["nfl_sunday"] = df["ds"].apply(nfl_sunday)
df["nfl_saturday"] = df["ds"].apply(nfl_saturday)


m = Prophet() 
m.add_regressor("nfl_sunday")
m.add_regressor("nfl_saturday")
m.fit(df)
horizon = 365
future = m.make_future_dataframe(periods=horizon)

# 未来日期也需要外部变量的值
future["nfl_sunday"] = future["ds"].apply(nfl_sunday)
future["nfl_saturday"] = future["ds"].apply(nfl_saturday)


forecast = m.predict(future)
fig = m.plot_components(forecast)

在这里插入图片描述

超参数调整建议

可调整的超参数

changepoint_prior_scale：这可能是影响最大的参数，他决定的趋势的灵活性，特别是趋势变化点的变化程度。如果太小，趋势容易欠拟合，过大容易过拟合。0.05是默认值适用大多数时间序列，但可以进行灵活的调整；调整范围[0.001-0.5]
seasonality_prior_scale：这控制了季节性效应的灵活性，大值可以让季节性适合大的波动，小值可以缩小季节性幅度。默认值是10。通常合理的范围在[0.01-10]
holidays_prior_scale：这控制了拟合节假日的灵活性。作用与seasonality_prior_scale类似，默认值是10,通常合理的范围在[0.01-10]
seasonality_mode：选项为[“additive”,“multiplicative”]。默认值是"additive"。商业预测通常选择乘法模式

也许可以调整的超参数

changepoints_range：这是历史数据允许趋势变化的最大比例。默认0.8。通常选择[0.8-0.95]

基本不用调整的参数

growth：选项是"logistic",“linear”,“flat”。有上下限用逻辑斯蒂，有趋势用线性，无趋势用flat
changepoints：用于手动指定变更趋势的位置点，根据实际业务确定
n_changepoints：变化点的数量，默认25个足以捕捉典型时间序列的趋势变化，与其增加或者减少变化点的数量，不如专注增减或者减少趋势变化的灵活性，这可能会更加有效，这可以通过调整changepoint_prior_scale实现
yearly_seasonality：选项是[“auto”,Ture,False]。如果有超过一年的数据建议开启，并通过调整seasonality_prior_scale来调整季节性的影响。默认"auto"，数据有一年自动开启，否则关闭
weekly_seasonality 和 daily_seasonality 同年度季节性超参数一样
holiday：传递一个指定假期的dataframe
mcmc_samples:是否需要对季节性分量进行区间估计
interval_width:预测值置信区间的置信度，默认0.8
stan_backend：如果同时设置了pystan和cmdstanpy set up, 可以指定后台，预测回事一样的，这个不会被调整

现实、狠残酷

关注

3
点赞
踩
13

收藏

觉得还不错? 一键收藏
打赏
0
评论
Prophet代码实战（三）外部变量调节

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。】介绍了Prophet算法的趋势项和季节项。接下来我们开始介绍Prophet算法的外部变量。Prophet 的输入必须包含两列的数据框：ds 和 y。
复制链接

扫一扫