python 时间序列prophet 模型分析_手把手教你用Prophet快速进行时间序列预测（附Prophet和R代码）...

原标题：手把手教你用Prophet快速进行时间序列预测(附Prophet和R代码)

作者：ANKIT CHOUDHARY；翻译：王雨桐；校对：丁楠雅；

本文约3000字，建议阅读12分钟。

本文将通过拆解Prophet的原理及代码实例来讲解如何运用Prophet进行时间序列预测。

简介

对于任何业务而言，基于时间进行分析都是至关重要的。库存量应该保持在多少？你希望商店的客流量是多少？多少人会乘坐飞机旅游？类似这样待解决的问题都是重要的时间序列问题。

这就是时间序列预测被看作数据科学家必备技能的原因。从预测天气到预测产品的销售情况，时间序列是数据科学体系的一部分，并且是成为一个数据科学家必须要补充的技能。

如果你是菜鸟，时间序列为你提供了一个很好的途径去实践项目。你可以非常轻易地应用时间序列，它会带领你进入更大的机器学习世界。

Prophet是Facebook发布的基于可分解(趋势+季节+节假日)模型的开源库。它让我们可以用简单直观的参数进行高精度的时间序列预测，并且支持自定义季节和节假日的影响。

本文中，我们将介绍Prophet如何产生快速可靠的预测，并通过Python进行演示。最终结果将会让你大吃一惊！

本文目录

1. Prophet有什么创新点？

2. Prophet预测模型

趋势

饱和增长

突变点

季节性

节假日及大事件

3. Prophet实战(附Python和R代码)

趋势参数

季节和节假日参数

通过Prophet预测客运量

Prophet有什么创新点？

当预测模型没有按预期运行时，我们希望针对问题来调整模型的参数。调整参数需要对时间序列的工作原理有全面的理解。例如automated ARIMA首先输入的参数是差分的最大阶数，自回归分量和移动平均分量。普通分析师不知道如何调整顺序来避免这种表现，这是一种很难掌握积累的专业知识。

Prophet包提供了直观易调的参数，即使是对缺乏模型知识的人来说，也可以据此对各种商业问题做出有意义的预测。

Prophet预测模型

时间序列模型可分解为三个主要组成部分：趋势，季节性和节假日。它们按如下公式组合：

g(t)：用于拟合时间序列中的分段线性增长或逻辑增长等非周期变化。

s(t)：周期变化(如：每周/每年的季节性)。

h(t)：非规律性的节假日效应(用户造成)。

et：误差项用来反映未在模型中体现的异常变动。

Prophet使用时间为回归元，尝试拟合线性和非线性的时间函数项，采取类似霍尔特-温特斯( Holt-Winters )指数平滑的方法，将季节作为额外的成分来建模。事实上，我们将预测问题类比为拟合曲线模型，而不是精确地去看时间序列中每个时点上的观测值。

1. 趋势

趋势是对时间序列中的非周期部分或趋势部分拟合分段线性函数，线性拟合会将特殊点和缺失数据的影响降到最小。

饱和增长

这里要问一个重要问题-我们是否希望目标在整个预测区间内持续增长或下降？通常情况下，一些非线性增长的案例会有最大容量限制，比如以下案例：

假设我们要预测未来12个月某app在某地区的下载量，最大下载量总是受该地区智能手机用户总数的限制。然而࿰