facebook-Prophet-python 预测学习笔记

最新推荐文章于 2024-04-16 15:48:20 发布
最新推荐文章于 2024-04-16 15:48:20 发布
阅读量3.7k 收藏 29
点赞数 5
分类专栏： 预测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38989668/article/details/82845120
版权

Prophet 学习笔记-未完

入门

运用prophet，首先要创建一个prophet类的实例，然后再通过 fit 和 predict 这两个函数完成基础的预测。快速入门最简单的预测只需要5行代码。

df=pd.read_csv(history_data_path)
m=Prophet()
m.fit(df)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)

简介

输入到prophet中的数据要求是Dataframe类型，同时，时间列的标签要命名为 ds ，还要定义成日期YYYY-MM-DD或者时间戳 YYYY-MM-DD HH:MM:SS 这两种Pandas希望获得的格式 。数据列的标签需要命名为 y ，类型一般是数值型(想不到还能是什么类型)。

举个?

1. 引用模块

import pandas as pd
import fbprophet as Prophet

2. 导入数据

df=pd.read_csv(history_data_path)

history_data_path是数据的路径，我使用的是公司的自己的数据
在这里插入图片描述

3. 建立实例并拟合数据

学习（拟合）数据需要先创建一个Prophet类对象，同时可以通过参数来调整它的学习能力。然后再使用fit 函数来让它进行学习拟合。
下面的代码是默认，无更改的Prophet模型。

m=Prophet()
m.fit(df)

下面的代码是根据我寄几的需要，改动后的Prophet模型。

m=Prophet(holidays=holiday,
          yearly_seasonality=True, 
          weekly_seasonality=True,
          daily_seasonality=False,
          holidays_prior_scale=35,
          seasonality_mode='multiplicative')

各种 = 其实就是各种内置参数设定，看着糟心，使用起来并不算困难

  • holidays是节假日信息输入，holiday是一个文件，里面包含有节假日的信息，如下图；
    其实呢，有用的只是dt_ymd和holiday两列，其他的懒得删所以就留着了
    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)。

  • 待处理
    m.add_seasonality(name=‘monthly’,period=30.5,fourier_order=5，prior_scale)
    增加季节性规律 预测数量 傅里叶级数 灵活度

4. 生成时间框

我们需要给Prophet提供一个数据框，其中包含有ds，它是一个日期数据列，包含有历史数据的日期和预测的日期。
Prophet为我们提供了生成标准数据框的函数语句，Prophet.make_future_dataframe() ，参数periods设定了预测的天数。

future = m.make_future_dataframe(periods=365)

5. 执行预测

Prophet提供的函数predict会产生一个新的数据框架，其中包含有*Prophet.make_future_dataframe()*生成的所有日期，以及它们对应的预测值，并命名标签为yhat，如果是历史日期，那么会给出模拟对历史数据的拟合值，可以通过它观察模型对历史数据的学习效果。此外返回的新数据框中还包含有预测值的上下界，如果设置了假期因素或者其他的额外因素，那么这些因素对预测的影响也会展示在该数据框中。

forecast = m.predict(future)


描述
加入的因素对预测的影响都可以直观的看到。

6. 可视化

可以通过类中的plot函数绘制图像，给它输入predict函数返回的数据框架，就可以便捷地得到预测图。

m.plot(forecast)

在这里插入图片描述
在这里插入图片描述
此外，还可通过Prophet.plot_components函数绘制图像观察更多的细节。

m.plot_components(forecast)

在这里插入图片描述

饱和预测

增长预测

通常在实际情况下，需要预测的值会存在一个极大值或极小值，而不会是无限增长或者无限下降的，而这个极大或极小的值我们称为== the carrying capaity ==，预测应该在这些值点达到饱和。
Prophet在默认下会使用 linear model ，但是也允许我们使用具有指定 the carrying capaity 的 logistic model （不会翻译所以copy英文）。

  • 额，这一块没怎么用，先跳过

趋势转折点（Trend Changepoints）

从前面绘制的图中我们可以观察到，时间序列的轨迹(trajectory)会存在一些突兀(abrupt，顺便学英语 :））的转折。Prophet在默认情况下会自动匹配，学习转折点，使预测曲线能适当地预测出转折点。
如果Prophet没能抓住关键的转折点或者说对一些转折点过度拟合，那么，我们能够通过添加一些参数，来更好地把控学习和预测过程。

转折点自动检测

模型会在适应度允许的范围内寻找出大量的潜在转折点，
（以下是谷歌翻译）
然后它在速率变化的幅度上放置一个稀疏的先验（相当于L1正则化） - 这实质上意味着Prophet有大量可能的位置，其中速率可以改变，但将尽可能少地使用它们。 默认情况下，Prophet指定25个潜在的变化点，它们统一放置在前80％的时间序列中。 此图中的垂直线表示潜在变更点的放置位置：
虽然有很多点是速率可能存在改变的点，但是由于稀疏特性，绝大多数的点并没有被最后录用。通过下图可以看到上图中潜在转折点的速率改变。
在这里插入图片描述
在上文中，有过介绍，设置转折点数量的参数n_changepoints。
可以通过以下代码显示出转折点的位置：

from fbprophet.plot import add_changepoints_to_plot
fig = m.plot(forecast)
a = add_changepoints_to_plot(fig.gca(), m, forecast)

在这里插入图片描述

拟合方式

乘性拟合

默认情况下，Prophet会使用加性季节性，这意味着季节性的影响会会以增加的方式影响到预测的趋势中。
但是对于一些数据，加性并不适合，以下航空旅客数量的时间序列是添加季节性不起作用的一个例子。
在这里插入图片描述

这些以季节为周期倍增的数据，无法用默认的加性拟合。Prophet 则为这种情况提供了 seasonality_mode参数，通过设置 seasonality_mode=‘multiplicative’ 来模拟乘法季节性。

m = Prophet(seasonality_mode='multiplicative')
m.fit(df)
forecast = m.predict(future)
fig = m.plot(forecast)

需要注意的是，使用 *seasonality_mode=‘multiplicative’*后，假日效果也会变为乘法建模。任何添加的季节性或额外的回归量将默认使用seasonality_mode设置的任何内容，但可以通过在添加季节性或回归量时指定mode='additive’或mode='multiplicative’来覆盖seasonality_mod。

m = Prophet(seasonality_mode='multiplicative')
m.add_seasonality('quarterly', period=91.25, fourier_order=8, mode='additive')
m.add_regressor('regressor', mode='additive')

上方的代码，Prophet以乘法建模，但是对于额外增加的季节性quarterly和回归量regressor则是加法建模。

季节性，节假日影响和额外回归

节假日和特殊日期建模

如果我们希望Prophet学习一些节假日和会重复出现的特殊日期对时间序列的影响，我们就需要给节假日信息创建一个Dataframe。它要是一个含有holiday和ds的两列Dataframe。
节假日信息必须包含过去和未来，过去的节假日信息用于对数据的学习，未来的节假日信息用于预测。
很容易理解，如果只有历史节假日信息，那么模型会学习这个节假日，但是不知道预测时会出现在哪里。如果只包含未来节假日信息，那么模型根本没办法从历史中学习，就算预测时知道是节假日，也没有办法对它进行调整。
此外，你还可以通过lower_window，upper_window来说明节假日的天数。lower_window只能是负数，表示日期前几天，upper_window反之。对节假日也可以用* prior_scale*来设置它的 the prior scale（这东西没怎么用，所以不是很理解，用文档原文代替）。
节假日信息的输入，可以像Prophet文档那样，在python中输入。

playoffs = pd.DataFrame({
  'holiday': 'playoff',
  'ds': pd.to_datetime(['2008-01-13', '2009-01-03', '2010-01-16',
                        '2010-01-24', '2010-02-07', '2011-01-08',
                        '2013-01-12', '2014-01-12', '2014-01-19',
                        '2014-02-02', '2015-01-11', '2016-01-17',
                        '2016-01-24', '2016-02-07']),
  'lower_window': 0,
  'upper_window': 1,
})
superbowls = pd.DataFrame({
  'holiday': 'superbowl',
  'ds': pd.to_datetime(['2010-02-07', '2014-02-02', '2016-02-07']),
  'lower_window': 0,
  'upper_window': 1,
})

也可以在文稿中编写，然后用python读入，再转换成Prophet指定的格式。以下是我的节假日文件截图和输入节假日信息的代码：
在这里插入图片描述
需要说明的是，我只选择了第一列和倒数第二列，即dt_ymd，festival。其他列信息都会废弃，有一些甚至是错误的，别理会它们，只需要提取 dt_ymd和festival。

holiday = pd.read_csv('holiday_2016_2018.csv',parse_dates=['dt_ymd'])
holiday = holiday.loc[:, ['dt_ymd', 'holiday']].rename(columns={'dt_ymd':'ds'})
holiday.loc[:, 'lower_window'] = 0
holiday.loc[:, 'upper_window'] = 0

holiday.loc[holiday['holiday'] == '元旦假前', 'lower_window'] = -1
holiday.loc[holiday['holiday'] == '除夕', 'lower_window'] = -3
holiday.loc[holiday['holiday'] == '春节', 'upper_window'] = 5
holiday.loc[holiday['holiday'] == '春节收假', 'upper_window'] = 2

holiday.loc[holiday['holiday'] == '妇女节', 'lower_window'] = -1
holiday.loc[holiday['holiday'] == '520', 'lower_window'] = -1
holiday.loc[holiday['holiday'] == '端午节', 'lower_window'] = -2

holiday.loc[holiday['holiday'] == '国庆节', 'upper_window'] = 6
holiday.loc[holiday['holiday'] == '中秋假前', 'lower_window'] = -1
holiday.loc[holiday['holiday'] == '国庆收假', 'upper_window'] = 4

信息创建成功后，使用Prophet的holidays参数，就可以让模型学习和预测时考虑上节假日因素。
使用方法参见文档的指导代码：

m = Prophet(holidays=holidays)
forecast = m.fit(df).predict(future)
挣扎的笨鸟
关注
  • 5
    点赞
  • 踩
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Facebook prophet Python的简单使用
星璇的博客
01-27 9457
Facebook prophet 的使用 Prophet意为先知、预言家。Prophet is a forecasting procedure implemented in R and Python. It is fast and provides completely automated forecasts that can be tuned by hand by data scientist
facebook prophet的探索（python语言）
热门推荐
wujushan的博客
03-22 2万+
facebook开源了时间序列预测框架prophet的使用
prophet，一个无敌的Python库！
最新发布
Pythonxiaoxin6的博客
04-16 895
参数传递给。
一条命令即可在Python中安装FaceBook的时间序列算法prophet
theskylife的博客
03-27 480
直接pip install fbprophet肯定会报错的，按照下面顺序来吧 1.安装依赖pystan pip install pystan 2.安装fbprophet 为了避免乱七八糟的错误，直接进行一下操作即可： conda install -c conda-forge pystan 按照提示，输入 y,等待安装完成即可正常使用，然后就开始愉快的时间序列模型吧！ ...
吐血整理三天的安装facebook时间序列的算法包fbprophet-python版
weixin_43849977的博客
02-22 682
经过三天的各种折腾和报错，我竟然成功地离线安装了fbprophet，网上也是各种吐槽。 1.环境 环境如下：win10，python3.7.1 2. 安装C++编译器需要的包： libpython-2.1 <链接：https://anaconda.org/anaconda/libpython> mingw-w64 相关的包. <链接：https://anaconda.org/msys2> m2w64-binutils m2w64-bzip2 m2w64-crt-git m2w64-
时间序列模型Prophet的安装与学习
lili安的博客
03-14 1596
一、Prophet简介 prophet是Facebook开源的一款时序预测工具 二、Python语言安装Prophet （网上都说非常坑？？） 安装网上的教程来； （1）安装PyStan fbprophet依赖于PyStan，首先安装PyStan库。我用Anaconda，直接命令行输入： pip install pystan(不太理解为什么不conda,emm用pip安装是安装到anaco...
预测模型 时间序列-Prophet模型 Python代码
01-29
Prophet 的算法实现 在时间序列分析领域，有一种常见的分析方法叫做时间序列的分解 (Decomposition of Time Series），它把时间...Prophet 算法就是通过拟合这几项，然后最后把它们累加起来就得到了 时间序列的预测值。
python时间序列预测-prophet
03-29
prophet 是facebook 开源的一款时间序列预测工具包，直接用 conda 安装 fbprophet 即可 prophet 的官网：https://facebook.github.io/prophet/ prophet 中文意思是“先知” prophet 的输入一般具有两列：ds和y ds...
基于Facebook-Prophet对于股票价格进行线性预测+迭代策略（源码+项目说明）.zip
02-20
基于Facebook-Prophet对于股票价格进行线性预测+迭代策略（源码+项目说明）.zip基于Facebook-Prophet对于股票价格进行线性预测+迭代策略（源码+项目说明）.zip基于Facebook-Prophet对于股票价格进行线性预测+迭代...
大规模预测工具Facebook-Prophet.zip
07-19
prophet是一个可以通过 Python 和 R 语言使用的预测工具 Prophet。并非所有的预测问题都可以通过同一种程序（procedure）解决。Prophet 是为我们在 Facebook 所遇到的业务预测任务而优化的，这些任务通常具有以下...
第16节:prophet原理及python实现
学-> 思->用
03-03 2816
prophet基本原理 Prophet是一个基于加法模型的时间序列数据预测程序，其中非线性趋势用于预测年度、每周和每日的季节性以及假日效应。它非常适用于具有强烈季节性影响或历史数据有周期的时间序列。Prophet对数据缺失和趋势变化非常敏感，通常能够很好地处理异常值。 pip install fbprophet prophet模型的结构如下: y(t)=g(t)+s(t)+h(t)+ϵ 其中,g(t)是趋势(trend)函数，用来分析时间序列中非周期性的变化。 s(t)代表周期性的变化，例如一周或一年的周
facebook开源项目prophet python模块fbprophet和pystan
03-20
脸书预言家开源项目，prophet python模块 fbprophet和pystan。现在网上的教程基本都不能成功安装。本人侥幸安装成功。把pip包中的两个模块上传。大家下载后可以直接导入python安装目录下的模块目录site-packages下即可使用两个模块。预言者神器预测很给力
python 时间序列预测 —— prophet
12-22
文章目录prophet 安装数据集下载prophet 实战导入包pandas 读取 csv 数据画个图拆分数据集从日期中拆分特征使用 prophet 训练和预测prophet 学到了什么放大图 prophet 安装 prophet 是facebook 开源的一款时间序列预测工具包，直接用 conda 安装 fbprophet 即可 prophet 的官网：https://facebook.github.io/prophet/ prophet 中文意思是“先知” prophet 的输入一般具有两列：ds和y ds(datestamp) 列应为 Pandas 可以识别的日期格式，日期应为YYYY-
python fbprophet 数据预测工具包 文档
05-09
python fbprophet 简单强大的数据预测工具包
Facebook多线程爬虫（python+selenium）
04-02
用python+selenium可多线程爬取Facebook上视频数据，提供关键词，自动打开网页搜索关键词，并依次读取该关键词对应的所有视频的标题、地址、日期、播放量、点赞数、评论数、分享数、视频商品链接bit.ly点击量、是否有去逛逛和视频时长。读取到的数据存放在excel里，一个关键词一个excel表。
时间序列预测神器Prophet python实现
FUYUJIAN1的博客
12-02 998
总体而言，Prophet模型通过这些组件的组合来建模时间序列数据中的趋势、季节性、假期效应和噪声。"Prophet" 指的是由 Facebook 开发的一种用于时间序列分析和预测的工具。Prophet 在 R 和 Python 中都有实现，由于其能够以极小的工作量生成准确且易于解释的预测，因此在各个行业中广受欢迎。要使用 Prophet，通常需要提供一个包含两列的时间序列数据集：'ds'（日期）和 'y'（要预测的值）。可调参数：可以调整各种参数以定制模型的行为，例如季节性组件的强度和趋势的灵活性。
Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战
胖哥真不错的博客
09-17 5893
Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战
怎么训练出一个NB的Prophet模型
GOOMHOOM的博客
08-10 931
怎么训练出一个NB的Prophet模型 上篇《神器の争》主要是介绍Prophet的特点以及prophet入门的一些注意事项，但离真正的实际运用还有段距离。本篇主要讲解实际运用中Prophet调参的主要步骤以及一些本人实际经验。 参数理解篇 class Prophet(object): def __init__( self, growth='linear', changepoints=None, n_cha
prophet 预测 python
07-09
### 回答1： "Prophet" 是一种用于时间序列预测的Python库。它由Facebook开发，并且被广泛用于预测商业和社交媒体数据。 Prophet 使用了一种称为“可加性季节分解的时间序列模型”。这个模型可以识别出数据集中的趋势、季节性和节假日效应，并基于这些特征进行预测。 使用Prophet进行预测的过程相对简单。首先，需要准备一个包含日期和对应数值的数据集。然后，使用Prophet拟合数据集，识别和建模出趋势、季节性和节假日效应。最后，可以使用Prophet生成预测结果，并对结果进行进一步的分析和可视化。 Prophet具有以下特点使其在时间序列预测中广受欢迎： 1. 简单易用：使用Prophet的API非常直观，无需过多的统计知识。 2. 灵活性和可解释性：Prophet能够灵活地适应各种复杂的数据集，并提供对预测结果的可解释性。 3. 高效性：Prophet被设计为能够处理大规模数据集，并且在计算上非常高效。 4. 节假日效应建模：Prophet能够自动处理常见的节假日效应，从而提高预测的准确性。 5. 可视化功能：Prophet提供了丰富的可视化功能，帮助用户更好地理解数据的特征和预测结果。 总之，Prophet是一种强大而易用的Python库，适用于各种时间序列预测任务，如销售预测、股票预测等。 ### 回答2： 预测是一种猜测未来事件的行为，而先知是指那些被认为能够预知未来的人或神秘力量。当用“prophet”和“预测”这两个词同时提及“python”时，可能是指使用Python编程语言进行预测分析。Python在信息技术领域被广泛应用，包括数据科学、人工智能和机器学习等领域。 Python具有丰富的库和工具，使得它成为进行预测模型开发和实施的理想选择。使用Python编写的库如NumPy、Pandas和SciPy提供了强大的数据处理和统计分析功能。而scikit-learn和TensorFlow等库则提供了丰富的机器学习和深度学习算法，用于构建预测模型。 借助Python的这些库和工具，可以进行各种预测任务。例如，在金融领域，可以使用Python对股票市场进行预测，分析市场趋势和价格变化。在销售行业，可以使用Python预测产品销售量，为供应链和库存管理提供指导。在天气预报方面，Python可以用于分析大量的气象数据，进行气象模型的构建和预测。 总之，Python作为一种灵活而强大的编程语言，为预测任务提供了丰富的工具和算法。无论是数据分析、机器学习还是其他领域的预测，Python都可以为我们提供极大的帮助，并为预测工作的准确性和效率做出贡献。 ### 回答3： 预测是一种基于已有信息和趋势，对未来事件或发展进行估计或预测的行为。Python是一种流行的高级编程语言，常用于软件开发、数据分析和人工智能领域。预测Python的未来发展可以基于以下几个方面考虑。 首先，Python作为一种简洁而易读的语言，其用户群体不断扩大。Python的简单语法使得初学者容易上手，因此未来将会有更多的人选择Python作为编程语言入门。此外，Python在大数据和机器学习领域的应用广泛，这也将吸引更多的开发者和研究者加入到Python社区。 其次，Python具有丰富且庞大的生态系统。Python拥有丰富的第三方库和框架，如NumPy、Pandas、Scikit-learn等，这些库和框架可以大大简化开发者的工作，提高工作效率。随着人工智能的快速发展，Python在深度学习和自然语言处理方面的应用也会继续增长。 再次，Python的开源性质使得其发展充满活力。Python社区活跃且开放，任何人都可以为Python做出贡献，这使得Python的发展迅速且符合用户需求。未来更多的开发者将参与到Python的开源项目中，进一步丰富和改进了Python的功能和性能。 最后，Python在不同领域的应用越来越广泛。无论是科学计算、Web开发、自动化测试还是数据可视化等，Python都有着广泛的应用。随着各行各业对技术需求的增加，Python的发展也将得到更多机会和挑战。 综上所述，基于Python的简洁易读、丰富生态系统、开源性质和广泛应用的特点，可以预测Python在未来会继续快速发展，并在技术领域中扮演更重要的角色。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值