作者:Jason Brownlee
翻译:殷之涵
校对:吴振东
本文长度为4800字,建议阅读10+分钟
本文为大家介绍了如何在Python中使用由Facebook开发的Prophet库进行自动化的时间序列预测,以及如何评估一个由Prophet库所搭建的时间序列预测模型的性能。
时间序列预测通常具有十足的挑战性,这是由时间序列预测的方法众多、且每种方法都包含很多不同的超参数所造成的。
Prophet是一个专门为预测单变量时间序列数据集而设计的开源库。如果你想要自动化地寻找一组好的模型超参数,从而对拥有趋势及季节性周期变化结构的数据做出有效预测,使用Prophet来处理是一件轻而易举的事情——它本来就是为此而设计的。
在本教程中,你将去探索如何使用这个由Facebook开发的Prophet库进行时间序列预测。
完成这个教程后,你将会学到:
Prophet是一个由Facebook开发的开源库,专为单变量时间序列数据的自动化预测而设计;
如何拟合Prophet模型,并使用模型进行样本内及样本外预测;
如何使用通过留出法所划分出的不参与训练的数据集来评估Prophet模型的性能。
那我们就开始吧。
教程概览
本教程共有3个部分,它们分别是:
Prophet预测库介绍
汽车销量数据集
-
加载数据并进行统计描述
加载数据并进行图表绘制
使用Prophet进行汽车销量预测
-
拟合Prophet模型
进行样本内预测
进行样本外预测
手动对预测模型进行性能评估
Prophet预测库介绍
Prophet,或称“Facebook Prophet”,是一个由Facebook开发的用于单变量时间序列预测的开源库。
Prophet实现的是一个可加的时间序列预测模型,支持趋势、季节性周期变化及节假日效应。
“该模型所实现的是一个基于可加模型的时间序列数据预测过程,拟合了年度、周度、日度的季节性周期变化及节假日效应的非线性趋势。”
— Package ‘prophet’, 2019.
Prophet的设计初衷就是简单易用、完全自动,因此适合在公司内部场景中使用,例如预测销量、产能等。
这里有一篇不错的概览,介绍了Prophet及它的功能:
Prophet: forecasting at scale, 2017
https://research.fb.com/blog/2017/02/prophet-forecasting-at-scale/
这个库的接口在R和Python中均可被调用,本篇将会聚焦于Python中的使用方法。
第一步是使用Pip对Prophet库进行安装,操作如下:
sudo pip install fbprophet
接下来,我们需要确认Prophet库已经被正确安装。
我们可以在Python中导入该库并打印它的版本号。完整的例子见下方:
# check prophet version
import fbprophet
# print version number
print('Prophet %s' % fbprophet.__version__)
运行上述例子并打印Prophet库的版本号。你应该安装的是如下或更高的版本。
Prophet 0.5
现在我们已经安装好了Prophet,接下来就选择一个数据集并使用这个库来进行探索。
汽车销量数据集
我们将会使用汽车月度销量数据集。
这是一个标准的单变量时间序列数据集,同时包含趋势及季节性周期变化。它包含108个月的汽车销量数据,使用基准模型对其进行预测便能达到3235(辆汽车)的平均绝对误差,从而提供了较低的误差限制。
无需下载数据集,我们会在每个例子中自动下载它。
Monthly Car Sales Dataset (csv)
https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-car-sales.csv
Monthly Car Sales Dataset Description
https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-car-sales.names
1. 加载数据并进行统计描述
首先,让我们来加载数据并且对它进行统计描述。
Prophet要求输入的数据为Pandas DataFrames的形式。所以我们要用Pandas库进行数据加载和统计描述。
我们可以通过调用Pandas库中的read_csv()函数,从而直接通过URL加载数据。接下来我们可以对数据集的行数和列数进行统计,并查看一下前几行数据。
完整的例子如下:
# load the car sales dataset
from pandas import read_csv
# load d