Prophet时序预测工具库——别再鲨乎乎的install fbprophet了

相信很多小伙伴在pip install fbprophet时遇到诸多错误，怎么也解决不了，其实完全没必要！

一、依赖安装

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

二、代码

import pandas as pd
from prophet import Prophet
import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('TkAgg')

# 读入数据集
df = pd.read_csv('example_wp_log_peyton_manning.csv')
# 创建Prophet模型并拟合数据
model = Prophet()
model.fit(df)
# 创建未来时间范围
future = model.make_future_dataframe(periods=365, freq='D')  # 这里假设要预测未来365天的数据
# 进行预测
forecast = model.predict(future)
# 绘制预测结果
fig = model.plot(forecast)
plt.show()

三、Prophet代码进阶

在建立预测模型之前，需要介绍各类参数的意义：

changepoint_range:设置寻找突变点的比例（默认为0.9，即从前90%的历史数据中学习突变点）
changepoints：设置制定突变点（[‘2019-10-31’]，不使用changepoint_range自动寻找突变点，可以手动指定日期)
changepoint_prior_scale：设置拟合跟随性（默认为0.05，值越大，拟合的跟随性越好，如果这个值过大，会有过拟合的风险）
interval_width：设置置信区间（默认为0.8，值越小，上下限的带宽越小）

seasonality_mode可以设置模型学习的方式，默认为加法，seasonality_mode=‘multiplicative’可以设置为乘法。一般情况下，有规律的平稳序列用加法模型，有较大趋势变化的序列可以考虑用乘法模型。

除以上基本参数之外，Prophet特别好用的地方在于，通过设置内置参数，可以调节以“年”、“月”、“周”等周期性参数。

yearly_seasonality=True，设置年规律拟合（False选择关掉）
weekly_seasonality，设置周规律拟合
daily_seasonality，设置日规律拟合
seasonality_prior_scale，设置季度周期性突变的灵活度，值越高越约灵活

 自行研究吧

model = Prophet(changepoint_range=0.8
                , changepoint_prior_scale=0.5
                , interval_width=0.4
                , seasonality_mode='multiplicative'
                , yearly_seasonality=False
                , seasonality_prior_scale=11
                , weekly_seasonality=False)

model.add_seasonality(name='monthly', period=30.5, fourier_order=5)

最后：

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！