![3d23c574ccbf381aed09133cb4b2b850.png](https://i-blog.csdnimg.cn/blog_migrate/cc2422fbb199dc324318ba3461960031.jpeg)
昵称 | 追光者
研究 | 机器学习与时间序列
出品 | AI蜗牛车
一、模型
Prophet模型使用一个可分解的时间序列模型,主要由趋势项(trend),季节项(seasonality)和假期因素(holidays)组成
![equation?tex=y%28t%29%3Dg%28t%29%2Bs%28t%29%2Bh%28t%29%2B%5Cepsilon_t+%5C%5C](https://i-blog.csdnimg.cn/blog_migrate/aa170bea2c2dc6407c2ed80b858b0996.png)
![equation?tex=g%28t%29](https://i-blog.csdnimg.cn/blog_migrate/c9b49bd03c80e2066d9877b9df47958b.png)
![equation?tex=s%28t%29](https://i-blog.csdnimg.cn/blog_migrate/c16dd333822ea73046adcb70f726ffaa.png)
![equation?tex=h%28t%29](https://i-blog.csdnimg.cn/blog_migrate/bc0e2b8aaf988b709c117e1a45530621.png)
![equation?tex=%5Cepsilon_t](https://i-blog.csdnimg.cn/blog_migrate/081b75d5f1e716c12eee902b72ea2d84.png)
优点
- 灵活性:我们可以很容易地适应季节性与多个时期,并让分析师对趋势做出不同的假设。
- 缺失处理:与ARIMA模型不同的是,测量不需要有规律的间隔,我们不需要插入丢失的值
- 速度快:拟合非常快,允许分析人员交互式地探索许多模型的特性
- 可解释性较强:预测模型有容易解释的参数
二、趋势项
Prophet实现了两个趋势模型,分别是基于逻辑回归的饱和增长模型和分段线性模型
首先是基于逻辑回归的趋势项:
![equation?tex=g%28t%29%3D%5Cfrac%7BC%7D%7B1%2B%5Cexp+%28-k%28t-m%29%29%7D+%5C%5C](https://i-blog.csdnimg.cn/blog_migrate/c9b49bd03c80e2066d9877b9df47958b.png%3D%5Cfrac%7BC%7D%7B1%2B%5Cexp+%28-k%28t-m%29%29%7D+%5C%5C)
![equation?tex=C](https://i-blog.csdnimg.cn/blog_migrate/b75975e6596e86066ce396454448e274.png)
![equation?tex=k](https://i-blog.csdnimg.cn/blog_migrate/9d4a1163d2eb1bb72228d1279049c2d8.png)
![equation?tex=m](https://i-blog.csdnimg.cn/blog_migrate/f79ab5c40ded11a5ecf9c3162bbd89d5.png)
互联网时代,硬件的发展和信息量的升级,无论是承载力还是增长率