时序预测模型Prophet使用总结

模型公式：

 

y(t)=g(t)+s(t)+h(t)+εt

其中g(t)是趋势项， s(t) 是周期项，如 weekly 和 yearly 等，h(t)是节假日趋势

 

主要调整参数：

1. n_changepoints（拐点数量）：默认为25，通常情况下，拐点数量越多，曲线拟合的越好，也容易过拟合。
2. yearly_seasonality（季节性标识）：默认为'auto'，如果数据有季节性规律，如年中销量较低，而年末销量特别高，该值须设为True，这时model.add_seasonality(name='yearly', period=6, fourier_order=1) 函数无效。
3. changepoint_prior_scale：默认为0.05，值越大，拟合得越好，大到一定程度曲线不再变化。
4. seasonality_prior_scale：默认为10，值越大，季节性越明显。
5. interval_width（置信区间）：默认为0.8，真实值有80%的可能落在预测值的上下边界之间。
6. growth：默认'linear'，当growth = 'logistic'时，可以人工设定预测值的最大值、最小值，见下图代码“# train['cap'] = 400
       # train['floor'] = 0”，“# future_data['cap'] = 400
       # future_data['floor'] = 0”。

def prophet_model(train, pred_periods=12, **kwargs):
    model = Prophet(**kwargs)
    # model.add_seasonality(name='yearly', period=12, fourier_order=5) 
    # train['cap'] = 400
    # train['floor'] = 0

    model.fit(train)
    future_data = model.make_future_dataframe(periods=pred_periods, freq='m')
    # future_data['cap'] = 400
    # future_data['floor'] = 0
    forecast_data = model.predict(future_data)

    model.plot(forecast_data)
    # plt.scatter(test['ds'], test['y'], color='r', s=12)

    model.plot_components(forecast_data)
    
    return model, forecast_data

 

另外：

1. 若yearly_seasonality、weekly_seasonality、daily_seasonality等周期规律标识参数均为False，预测曲线近似一条向上或向下（决定于趋势值）的直线，此时模型公式里只含趋势项。
2. Prophet适合用于周期性、趋势性较强的时间序列