ML之prophet：prophet的简介、安装、使用方法之详细攻略

一个处女座的程序猿

已于 2023-07-12 21:27:23 修改

阅读量5k

点赞数 5

文章标签： prophet 时间序列数据

于 2023-03-20 20:40:50 首次发布

本文链接：https://blog.csdn.net/qq_41185868/article/details/129675805

版权

ML之prophet：prophet的简介、安装、使用方法之详细攻略

ML之prophet：利用prophet算法对维基百科页面的日志每日页面浏览量实现回归预测(时间序列的趋势/周季节性趋势/年季节性趋势)案例

ML之prophet：利用prophet算法对上海最高气温实现回归预测(时间序列的趋势/周季节性趋势/年季节性趋势)案例

prophet的简介

Prophet是Facebook核心数据科学团队发布的开源软件。Prophet是一个用R和Python实现的预测模块。它速度很快，并提供完全自动化的预测，可以由数据科学家和分析师手动调整。由Facebook开发的时间序列预测框架，能够自动检测趋势、季节性和假日效应，并提供不同级别的灵活性。专门用于时序分析、预测的模型，具有很好的可解释性、鲁棒性以及良好的扩展性。
Prophet是一种基于加法模型的预测时间序列数据的程序，其中非线性趋势与年度、每周和每日的季节性以及假日影响相吻合。它最适合具有强烈季节效应的时间序列和几个季节的历史数据。Prophet对于缺失的数据和趋势的变化非常稳健，并且通常能很好地处理异常值。
Prophet是一种基于加性模型的非线性回归模型，它将时间序列分解成趋势、季节性和假日效应三个部分，并分别使用可解释的函数来建模这些部分。这样可以使模型更容易理解和解释，也可以更好地捕捉时间序列的特征。

相关论文：Forecasting at scale [PeerJ Preprints]

官网API：Quick Start | Prophet

1、四大特点

准确快速：Prophet在Facebook上的许多应用程序中使用，为计划和目标设定提供可靠的预测。我们发现，在大多数情况下，它比任何其他方法都要好。我们在Stan中安装模型，这样你就可以在几秒钟内得到预测。
全自动化：无需手动操作即可对杂乱数据进行合理预测。Prophet 对异常值、缺失数据和时间序列中的显着变化具有鲁棒性。
可调的预测：Prophet 程序包括许多用户调整和调整预测的可能性。您可以使用人类可解释的参数，通过添加您的领域知识来改进您的预测。
R或Python中可用：已经在R和Python中实现了Prophet过程，但是为了拟合，它们共享相同的底层Stan代码。可以使用任何你熟悉的语言来进行预测。

prophet的安装

pip install prophet
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple prophet

prophet的使用方法

1、基础案例

import pandas as pd
from prophet import Prophet

df = pd.read_csv('https://raw.githubusercontent.com/facebook/prophet/main/examples/example_wp_log_peyton_manning.csv')
df.head()

m = Prophet()
m.fit(df)

future = m.make_future_dataframe(periods=365)
future.tail()

forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()

fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)

from prophet.plot import plot_plotly, plot_components_plotly
plot_plotly(m, forecast)
plot_components_plotly(m, forecast)