【Python】使用Python+Prophet 实现时间序列分析

【Python】轻量化编程实战

提高打工人效率系列文章：

第二篇 使用Python+Prophet 实现时间序列分析

---

前言

提示：这里可以添加本文要记录的大概内容：

创作背景：Prophet是一个由Facebook开发的时间序列分析工具，早期是用来分析网页点击行为规律。在实际工作中，我把它延申应用到分析网约车订单的出行规律中。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、Prophet是什么？

Prophet是基于可分解（趋势+季节+节假日）模型的开源库，可以用简单直观的参数进行高精度的时间序列预测，并且支持自定义季节和节假日的影响。
原理：
时间序列模型可分解为三个主要组成部分：趋势，季节性和节假日。
它们按如下公式组合：

其中：
g(t)：用于拟合时间序列中的分段线性增长或逻辑增长等非周期变化。
s(t)：周期变化（如：每周/每年的季节性）。
h(t)：非规律性的节假日效应（用户造成）。
et：误差项用来反映未在模型中体现的异常变动。

二、为什么出行业务可以使用 时间序列 模型进行分析？

1. 有至少几个月（最好是一年）的每小时、每天或每周观察的历史数据；
2. 有多种人类规模级别的较强的季节性趋势：每周的一些天和每年的一些时间；
3. 有事先知道的以不定期的间隔发生的重要节假日（比如国庆节）；

三、程序实现

3.1 导入库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime
from fbprophet import Prophet

1. Prophet库可以通过pip来安装，建议走国内的安装源，更快一些。
2. Matplotlib需要单独安装中文字符库，否则有些字体会显示成方块。

#字体管理器
from matplotlib import font_manager as rcParams
plt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签
plt.rcParams['axes.unicode_minus']=False   #这两行需要手动设置

3.2 读取并预处理相关数据

分析出行数据规律的话，最好按照分析颗粒度需求来聚合一下，否则数据量实在太大且分散，没有分析价值。

我这里是要看每天24小时之内，每个小时段的用车规律，所以只要按照小时来聚合数据即可。如果要看的是全年每一天的规律，那就按天聚合。

#数据处理
data_bs = pd.read_csv('C:/Users/xxxx/Downloads/xx区分时单量_2021-04-25.csv',header=0,encoding='gbk')

# 按照时段聚合单量的函数
def order_per_hour(data):
    data['撮合成功时间'] = pd.to_datetime(data['撮合成功时间'])
    # 将撮合时间归集到当前小时
    data['订单时段'] = data['撮合成功时间'].map(lambda x:x.replace(minute=0,second=0))
    # 按照每天每个小时聚合
    result = data.groupby(['订单时段'])[['起点区域']].count()
    result.sort_index()
    result.reset_index(inplace=True)
    result.rename(columns={'订单时段':'ds','起点区域':'y'},inplace=True)
    return result

# 获得按小时聚合的数据
result_bs = order_per_hour(data_bs)

3.3 增加非规律性信息

出行规律可能会受到一些非规律性因素的影响，从而会导致在数据上显示出不同寻常的突起。Prophet工具的优点就在于，可以自定义非规律性信息（这些非规律信息必须是跟着时间走的），也就上上面公式中的h(t)：非规律性的节假日效应（用户造成）。

我们在出行规律分析中，可以将节假日作为异常信息投喂给模型。

代码示例：

# 建立假期信息
# 对节假日建模
# 将节日看成是一个正态分布，把活动期间当做波峰，lower_window 以及upper_window 的窗口作为扩散
national_holiday = pd.DataFrame({
  'holiday': 'national holiday',
  'ds': pd.to_datetime(['2020-10-01']),
  'lower_window': -1,
  'upper_window': 8,
})
EIIE = pd.DataFrame({
  'holiday': 'EIIE',
  'ds': pd.to_datetime(['2020-11-04']),
  'lower_window': -1,
  'upper_window': 6,
})
christmas = pd.DataFrame({
  'holiday': 'christmas',
  'ds': pd.to_datetime(['2020-12-25']),
  'lower_window': -1,
  'upper_window': 0,
})
# random = pd.DataFrame({
#   'holiday': 'random',
#   'ds': pd.to_datetime(['2020-11-28']),
#   'lower_window': 0,
#   'upper_window': 1,
# })
new_year = pd.DataFrame({
  'holiday': 'new year',
  'ds': pd.to_datetime(['2021-01-01']),
  'lower_window': -1,
  'upper_window': 3,
})
spring_festival = pd.DataFrame({
  'holiday': 'spring festival',
  'ds': pd.to_datetime(['2021-02-11']),
  'lower_window': -2,
  'upper_window': 7,
})
lantern_festival = pd.DataFrame({
  'holiday': 'lantern festival',
  'ds': pd.to_datetime(['2021-02-26']),
  'lower_window': 0,
  'upper_window': 1,
})
easter = pd.DataFrame({
  'holiday': 'easter',
  'ds': pd.to_datetime(['2021-04-04']),
  'lower_window': -2,
  'upper_window': 2,
})
labor_day = pd.DataFrame({
  'holiday': 'labor day',
  'ds': pd.to_datetime(['2021-05-01']),
  'lower_window': -2,
  'upper_window': 5,
})
# 整合holidays信息
holidays = pd.concat((national_holiday,EIIE,christmas, new_year,spring_festival,lantern_festival,easter,labor_day),ignore_index=True)

3.4 建模

调用Prophet的标准模型接口即可。其实Prophet模型跟大多数机器学习模型一样，都可以进行学习后的预测。但是在分析历史的出行规律中，预测本身意义不大，尤其是它的预测结果对于实际操作的参考价值一般。

代码示例：

# xx区分时段订单分析

# xx数据建模
# 建模
m_bs = Prophet(holidays=holidays)
# 学习
m_bs.fit(result_bs)
# 训练
future_bs = m_bs.make_future_dataframe(periods=120, freq='H')
# 预测
forecast_bs = m_bs.predict(future_bs)
trend_bs = forecast_bs['trend']

3.5 可视化

利用Matplotlib对模型结果进行可视化展示。Matplotlib的使用方法我就不多赘述了，需要了解的可以在CSDN自行学习。

代码示例1：

# 用plot图展示预测趋势

plt.style.use('seaborn')
fig1,ax1 = plt.subplots(figsize=(15,10))
ax1.plot(forecast_bs['ds'],trend_bs,linestyle='--', label='trend_bs')
ax1.plot(forecast_hp['ds'],trend_hp,linestyle='-.', label='trend_hp')
ax1.plot(forecast_pd['ds'],trend_pd,linestyle='-', label='trend_pd')
ax1.legend()

代码示例2：

# 用plot图展示了节假日因素的影响程度

plt.style.use('seaborn')
fig2,ax2 = plt.subplots(figsize=(15,10))
ax2.plot(forecast_bs['ds'],forecast_bs['holidays'],linestyle='--',color='red', label='trend_bs')
ax2.plot(forecast_hp['ds'],forecast_hp['holidays'],linestyle='-.',color='green', label='trend_hp')
ax2.plot(forecast_pd['ds'],forecast_pd['holidays'],linestyle='-',color='blue', label='trend_pd')
ax2.legend()

3.6 延申应用

1. 将数据按照年度取样，并按照天来聚合的话，可以用于分析全年的出行规律。

代码示例：

# 拟合模型
model = Prophet(weekly_seasonality=True)
model.fit(daily_total)

# 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
future = model.make_future_dataframe(periods=30)
#print(future.tail())

# 预测数据集
forecast = model.predict(future)
#print(forecast.columns)
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail())

# 展示预测结果
model.plot(forecast)
plt.show()

2. 还可以进行预测成分分析，并可以统计出周维度的规律信息。

代码示例：

# 预测的成分分析绘图，展示预测中的趋势、周效应
model.plot_components(forecast)
print(forecast.columns)

3. 还可以在周-季节维度进行分析（默认采用weekly_seasonality）

# 默认采用weekly_seasonality进行周期性分析
m = Prophet(holidays=holidays)
m.fit(daily_total)
future = m.make_future_dataframe(periods=10)
forecast = m.predict(future)
# 可对比增加holiday因素以后，预测模型前后拟合的程度差别
m.plot(forecast)
# 预测的成分分析绘图，展示预测中的趋势、周效应和年度效应
m.plot_components(forecast)

4. 也可以在月-季节维度进行分析。
   代码示例：

# 也可以采用monthly_seasonality进行周期性分析

m = Prophet(holidays=holidays,weekly_seasonality=False)
m.add_seasonality(name='monthly', period=30.5, fourier_order=7)
m.fit(daily_total)
future = m.make_future_dataframe(periods=10)
forecast = m.predict(future)
# 可对比增加holiday因素以后，预测模型前后拟合的程度差别
# 预测的成分分析绘图，展示预测中的趋势、月效应和年度效应
m.plot_components(forecast)

5. 可以使用 plot_forecast_component（从fbprophet.plot导入）来画出独立的节假日的成分。

from prophet.plot import plot_forecast_component
plot_forecast_component(m,forecast, 'labor day')

6. 在图形中显示显著的突变点的位置。

from fbprophet.plot import add_changepoints_to_plot
fig = m.plot(forecast)
a = add_changepoints_to_plot(fig.gca(), m, forecast)

也可以手动指定突变点的位置。

# 手动指定突变点的位置
m = Prophet(changepoints=['2020-12-31'],weekly_seasonality=True)
m.fit(daily_total)
future = m.make_future_dataframe(periods=30)
forecast = m.predict(future)
m.plot(forecast)

---

总结

以上就是今天要讲的内容，本文仅仅简单介绍了python＋Prophet 实现用时间序列模型分析出行规律的方法，更多的应用场景还需要大家自己探索和实践。

记住：
能看懂多少不重要，勇敢的迈出第一步才是最重要的。打工人，加油！