时间序列预测之Prophet

一、ARIMA进行预测的缺点

      1、ARMA 要求时序数据是稳定的，显示数据很难符合

     2、ARIMA 模型为线性模型，无法处理非线性的关系，同事要求数据间隔等长

     3、如果数据丢失，需要使用插值等方法预估缺失值，然后使用预估值进行参数拟合，这样会引入噪音

二、prophet 模型引入

     1、prophet基于相加模型的时间预测，可以精准拟合非线性周期趋势

     2、对yearly、weakly和daily的周期性使用非线性拟合，可以很好的对节日（比如十一、春节等）带来的活跃数据突变进行预测

     3、prophet的优势

            a 处理数据丢失问题

            b 趋势迁移问题

            c 异常的数据点

    4、prophet模型  y(t) = g(t) + s(t) + h(t) + e

         g(t) 代表趋势 表示时间序列的中非周期性变化

         s(t) 代表周期项 用来表示时间序列的周期变化

         h(t)代表活动效果 表示时间序列中的异常活动，例如节日，购物节等

         e 用来表示不能模型描述的异常误差  

    5、prophet工具使用

       安装  pip3 install fbprophet

        模型拟合 fit

     model = Prophet()

     model.fit(df)

    模型预测  ，model.predict(future)

三、 prophet模型

   1、Trend趋势，对时间序列中趋势部分拟合分段函数，线性拟合会将特殊点和缺失数据的影响降到最小

   2、饱和增长，增长有最大容量限制，，基于领域知识，分析师可以定义容量限制

   3、突变点，突变点增多，拟合变得更灵活，研究过程中，会面临过拟合跟欠拟合问题

4、季节性，拟合并预测季节的结果，基于傅里叶级别提出了一个灵活的模型

P代表周期，年度P=365.25 ,月P=7

 5、活动效果，既节假日和大事件 ，比如春节

四、总结

  1、prophet 针对商业预测任务

   优点，不需要特征工程就能得到趋势，季节因素和节假日因素

   缺点，无法利用更多信息，如预测商品销量是，无法利用商品信息，门店信息，促销信息

2、传入 prophet的数据分两列，ds和y

ds 代表时间戳

y表示 true value，也是需要预测的值

m=Prophet(holidays = holidays)

future = modle.make_future_dataframe(periods=365)  #生成未来日期

# future为时间轴，在原有基础上增加365天

model.fit(df)  #模型训练

forcast = model.predict(future) #模型预测

plot_components(forcast) # 成分分析

 forcase 字段包括：

1、 趋势  trend, trend_lower, trend_upper,

2、 预测值 yhat, yhat_lower, yhat_upper

3、 星期趋势 weekly, weekly_lower, weekly_upper,

4、年趋势 yearly, yearly_lower, yearly_upper

5、 加法模型趋势（星期趋势+年趋势） forecast['additive_terms'] = forecast['weekly'] + forecast['yearly']

6、乘法模型趋势  multiplicative_terms, multiplicative_terms_lower, multiplicative_terms_upper

 

趋势变化点 model.changepoints

1、趋势变化点，可以自动检测，默认为25，分布在80%的时间序列里

可以使用n_changepoints设置潜在变化点的数量，model= prophet (n_changepoints=30)

可以使用参数changepoint_range设置前多少的时间序列来寻找潜在变化点 model = Prophet(changepoint_range=0.9)  # 时间序列的前90%处寻找潜在的变化点

人工指定突变点的位置  model = Prophet(changepoints=['2014-01-01'])

 

制定预测类型 m = Prophet(growth='logistic')

growth='linear'或growth = "logistic" 默认的增长趋势为linear

 

模型的学习方式  seasonality_mode='multiplicative'

默认情况下为加性的，如果改成乘性的(multiplicative)，需要设置

 

prophet参数设置：

1、Capacity，在增量函数是逻辑回归函数的时候，需要设置的容量值

2、ChangePoints：通过 n_changepoints 和 changepoint_range 来设置时间序列的变化点

3、季节性和节假日，可以根据实际的业务需求来指定相应的节假日

4、光滑参数：

  a、changepoint_prior_scale 设置趋势项的灵活度，即跟随性，默认为0.05，值越大，拟合的跟随性越好，可能会过拟合

  b、seasonality_prior_scale 用来控制季节项的灵活度

  c、holidays_prior_scale 用来控制节假日的灵活度