时间序列模型 Prophet 参数设置实例源码

最新推荐文章于 2024-06-04 11:18:00 发布

Damon_Code

最新推荐文章于 2024-06-04 11:18:00 发布

阅读量1.2w

点赞数 7

分类专栏： Python 文章标签： Prophet 参数设置实例源码时间序列模型

本文链接：https://blog.csdn.net/u014710355/article/details/97265517

版权

Python 专栏收录该内容

4 篇文章 1 订阅

订阅专栏

==部分来自学习总结==

1、先说适用范围：

很明显，Prophet只适用于具有明显的内在规律（或者说，模式）的商业行为数据。

虽然官方案例里通常使用日数据的序列，但对于更短时间频段，比如小时数据，也是支持的。

但对于不具有明显趋势性、周期性的时间序列，使用Prophet进行预测就不适合了。比如前面有同学用Prophet来预测沪深300……先不说有效市场假说（EMH）否定了历史数据对未来价格拟合的可能性，就算市场存在模式，也不是能够被一个通用模型简单的线性分解成趋势和周期的。

2、入门

提一下安装，win10 +py3.7 +anaconda ，刚开始装确实有问题，后来按照这个命令：

conda install pystan

conda install -c conda-forge fbprophet

要先装pystan,

可以装上了，但是很慢，要升级很多库，我大概用了1小时。

网上很多入门代码，官网也给了很多demo。上手很快，按照网上的数据，预测的结果很ok，信心满满。

总是按照别人的东西做，感觉缺点什么，自己打算给自己挖个坑。

预测一下sin函数。

3、入坑

创建data：这里我改为了txt格式，为了后面方便嵌入到自己的项目程序中。

运行，一气呵成，结果如图：

红线是预测；黑点是输入。黑色虚线是设定的上线。

肯定是哪里错了，不可能连sin函数都预测不出来。

4、学习

应该是要调整参数，给我感觉就是跟随性太差。

经过学习，主要参数如下：

Prophet（）的主要参数：

#设置跟随性： changepoint_prior_scale=0.05 值越大，拟合的跟随性越好，可能会过拟合
#设置置信区间：interval_width=0.8（默认值）,值越小，上下线的带宽越小。
#指定预测类型： growth='linear'或growth = "logistic" ，默认应该是linear。
#马尔科夫蒙特卡洛取样（MCMC）： mcmc_samples=0,会计算很慢。距离意义不清楚
#设置寻找突变点的比例：changepoint_range=0.9 默认从数据的前90%中寻找异常数据。预测这个正弦曲线，如果不设置changepoint_range=1，预测的结果是不对的，不知道为什么。

make_future_dataframe( ）的主要参数：

#periods 周期，一般是根据实际意义确定，重点：后续预测的长度是一个周期的长度。
#freq 我见的有‘MS‘、H、M ，预测sin，要设置H ，个人理解数据如果变化很快，要用H

其他的内置参数：

yearly_seasonality 是年规律拟合，Prophet模型会描绘出以一年为单位的数据规律，后面的部分会有图示；同理于参数 weekly_seasonality，daily_seasonality。

n_changepoints 是预设转折点数量

changepoint_range 是设定转折点可以存在的范围，.1表示存在于历史数据的前十分之一，.5表示在历史数据的前半部分，其余同理。

changepoint_prior_scale 是设置模型对转折点拟合的灵敏度，值越高越灵活。

changepoints=[] 是指定转折点的具体位置

yearly_seasonality 是年的拟合度，值越高越灵活，同时可以选择True和False来设定是否进行年度的拟合。同理与weekly_seasonality和daily_seasonality。

holidays_prior_scale 是假期的拟合度，同样值越高越灵活，同时前提是你需要有假期信息的加入。

seasonality_mode=‘multiplicative’ 是模型学习的方式，默认情况下为加性的，如果如上所示来设置，则是乘性的(multiplicative)。

5、再调试

经过参数学习后，主要调整参数如下：

m = Prophet(changepoint_prior_scale=0.9,interval_width=0.9,growth='linear',changepoint_range=1)


。。。

future = m.make_future_dataframe(periods=120, freq='H') #freq=‘MS‘或者H  来设置

运行结果：

自己觉得效果挺好了。

6、小技巧

6.1其他语言程序调用Python

一般是命令行的方法，启动cmd，传入参数。如下：

filename = sys.argv[1] #从cmd读取数据
filename='data'#从指定文件读取数据

其他程序首先启动一个cmd，然后切换到.py文件的目录，然后执行命令： python yourfilename.py 变量value

就可以把参数传入filename 。

6.2、prophet预测的未来的长度是设定的periods的长度。

6.3、为什么有的数据要现log处理，在预测，看这个：https://blog.csdn.net/anshuai_aw1/article/details/83866105

6.4、保存panda 中的dataframe的数据到文本，（新手，做笔记）

#forecast.to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的全部列数据

forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的指定列的数据

6.5、在图上显示出突变点：

fig=m.plot(forecast)

...

a = add_changepoints_to_plot(fig.gca(), m, forecast)

6.6、疑惑

prophet只能预测一个Y列吗，如果有多个Y列怎么办？是分多次预测吗？

7、源码

GitHub地址：https://github.com/DamonDBT/prophet_sin_demo

# -*- coding: utf-8 -*-
"""
Created on Fri Jul 19 11:49:17 2019

@author: dbt
"""
# Python
import pandas as pd
import numpy as np
from fbprophet import Prophet
import sys
import os
import matplotlib.pyplot as plt
from fbprophet.plot import add_changepoints_to_plot

#orig_out = sys.stdout
#sys.stdout = open(os.devnull, 'w')
 

#filename = sys.argv[1]  #从cmd读取数据
filename='data'#从指定文件读取数据


df = pd.read_csv(filename+'.txt')
#df['y'] = np.log(df['y'])  #为什么要log处理？都要有吗？

#df['cap'] = 1#log预测才用
#df['floor'] = -1#log预测才用

df.head()


#设置跟随性： changepoint_prior_scale=0.05 值越大，拟合的跟随性越好，可能会过拟合
#设置置信区间：interval_width=0.8（默认值）,值越小，上下线的带宽越小。
#指定预测类型： growth='linear'或growth = "logistic" ，默认应该是linear。
#马尔科夫蒙特卡洛取样（MCMC）： mcmc_samples=0,会计算很慢。距离意义不清楚
#设置寻找突变点的比例：changepoint_range=0.9 默认从数据的前90%中寻找异常数据。预测这个正弦曲线，如果不设置changepoint_range=1，预测的结果是不对的，不知道为什么。

m = Prophet(changepoint_prior_scale=0.9,interval_width=0.9,growth='linear',changepoint_range=1)          
m.fit(df);

#periods 周期，一般是根据实际意义确定，重点：后续预测的长度是一个周期的长度。
#freq 我见的有‘MS‘、H、M ，预测sin，要设置H ，个人理解数据如果变化很快，要用H
future = m.make_future_dataframe(periods=120, freq='H') #freq=‘MS‘或者H  来设置

future['cap'] = 1 #log预测才用？linear也可以加上。
future['floor'] = -1#log预测才用？linear也可以加上。

#画图
future.tail()

forecast = m.predict(future)
forecast.tail()
fig=m.plot(forecast)
plt.savefig('./out/'+filename+'_1.jpg',dpi=500)
m.plot_components(forecast)
plt.savefig('./out/'+filename+'_2.jpg',dpi=500)
#print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']])  #打印到console
 

savename='./out/'+filename+"_out.txt"
 
 
#forecast.to_csv(savename, sep='\t',index=False)   #保留panda.dataframe 的全部列数据

forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的指定列的数据

x = forecast['ds']
y = forecast['yhat']
y1 = forecast['yhat_lower']
y2 = forecast['yhat_upper']
plt.plot(x,y)
plt.savefig('./out/'+filename+'_3.jpg',dpi=500)
plt.plot(x,y1)
plt.savefig('./out/'+filename+'_4.jpg',dpi=500)
plt.plot(x,y2)
plt.savefig('./out/'+filename+'_5.jpg',dpi=500)
#plt.show()

#把检测到的突变点，用红色线表示在图上。
a = add_changepoints_to_plot(fig.gca(), m, forecast)

8、测试数据

给出一部分吧，毕竟就是一个sin 函数，excel拉一下就有了，（GitHub 的demo有完整的。）https://github.com/DamonDBT/prophet_sin_demo

ds	y
2007/12/10	0.841471
2007/12/11	0.891207
2007/12/12	0.932039
2007/12/13	0.963558
2007/12/14	0.98545
2007/12/15	0.997495
2007/12/16	0.999574
2007/12/17	0.991665
2007/12/18	0.973848
2007/12/19	0.9463
2007/12/20	0.909297
2007/12/21	0.863209
2007/12/22	0.808496
2007/12/23	0.745705
2007/12/24	0.675463
2007/12/25	0.598472

9、附上一些好的博客

https://blog.csdn.net/anshuai_aw1/article/details/83412058#commentBox

https://blog.csdn.net/u010665216/article/details/79216744

https://www.biaodianfu.com/prophet.html

https://www.cnblogs.com/bonelee/p/9577432.html

官网：https://facebook.github.io/prophet/docs/non-daily_data.html#data-with-regular-gaps

Damon_Code

关注

7
点赞
踩
59

收藏

觉得还不错? 一键收藏
6
评论
时间序列模型 Prophet 参数设置实例源码

==部分来自学习总结==1、先说适用范围：很明显，Prophet只适用于具有明显的内在规律（或者说，模式）的商业行为数据。虽然官方案例里通常使用日数据的序列，但对于更短时间频段，比如小时数据，也是支持的。但对于不具有明显趋势性、周期性的时间序列，使用Prophet进行预测就不适合了。比如前面有同学用Prophet来预测沪深300……先不说有效市场假说（EMH）否定了历史数据对未来价...
复制链接

扫一扫