时序分析 38 - 时序预测 从ARIMA到SARIMAX(七)Facebook Prophet模型

接上…

Step 8. Facebook Prophet模型

在本人的博文 中我们简单介绍了Facebook的时序预测工具Prophet。最后，我们将采用这个工具对本问题进行建模预测，并比较一下Prophet和ARIMA系列模型的结果。

from fbprophet import Prophet
warnings.filterwarnings('ignore')
pd.set_option('display.width', None)
pd.set_option('display.max_rows', None)

简单回顾一下我们所关注的这个时序数据，

# Plot the entire time series diet and show gridlines
df_store_2_item_28_time.resample('M').sum().plot(grid=True,figsize=(20,5))
plt.show()

月度数据可看出季节性。

df_store_2_item_28_time.resample('A').sum().plot(grid=True,figsize=(20,5))
plt.show()

年度数据可看出趋势性。

decomposition = sm.tsa.seasonal_decompose(df_store_2_item_28_time.resample('M').sum(), 
                                          model = 'additive',
                                         period=12) 
fig = decomposition.plot()
plt.show()

从时序分解图中，我们看出的新特性是季节因素为加性看上去更为合适。（SARIMA是乘性模型）

Prophet需要输入的数据框的列名为ds,y；分别代表时间和观测值。

# rename date and sales, respectively ds and y
df_store_2_item_28.columns = ['ds','y']
df_store_2_item_28.head()

模型训练

缺省情况下，Prophet采用的就是加性模型。

m = Prophet(interval_width=0.95) #by default is 80%
model = m.fit(df_store_2_item_28)

预测

future = m.make_future_dataframe(periods=90) 
forecast = m.predict(future)
forecast.head()

plot1 = m.plot(forecast)

深蓝色的线为预测值；黑色的点为实际值；浅蓝色的区域为95%的置信区间，由< forecast[‘yhat_lower’],forecast[‘yhat_upper’]>确定边界。

趋势拐点

实际数据中所发现的趋势很可能会有拐点，例如新品上市、无法预知的灾难等。Prophet会自动侦测这些观点并对模型进行相应调整。在这些拐点上，增长率的变化会使模型更加富有弹性，但也有可能会导致过拟合或者欠拟合。
Prophet的参数changepoint_prior_scale可以用来调整趋势的弹性，帮助克服过拟合和欠拟合。缺省情况下，Prophet是根据时序数据的前80%来推断拐点，你可以使用changepoint_range参数来改变这一点，你也可以使用changepoints参数来手动添加。下图中的点线表示了拐点。

from fbprophet.plot import add_changepoints_to_plot

plot1 = m.plot(forecast)
a = add_changepoints_to_plot(plot1.gca(),m,forecast)

成分图

plot2 = m.plot_components(forecast)

• 趋势成分：上升趋势明显
• 周季节性成分：周末购买量较多
• 年季节性成分：七月销量较高而一月销量较少。
  Prophet提供参数Seasonality、Holidays Effects和Regressors来对节假日、周期和特殊事件进行建模，这些工具可以帮助改善模型。

模型评价

我们使用样本内数据来评价模型，评价指标使用MAE和MAPE。

df_merge = pd.merge(df_store_2_item_28, forecast[['ds','yhat_lower','yhat_upper','yhat']],on='ds')
df_merge = df_merge[['ds','yhat_lower','yhat_upper','yhat','y']]
df_merge.head()

# calculate MAE between observed and predicted values 
y_true = df_merge['y'].values
y_pred = df_merge['yhat'].values
mae_01 = mean_absolute_error(y_true, y_pred)
print('MAE: %.3f' % mae_01)

MAE: 4.275

mape_01 = mean_absolute_percentage_error(y_true, y_pred)
print('MAPE: %.3f' % mape_01)

MAPE: 0.169

# plot expected vs actual
plt.plot(y_true, label='Actual')
plt.plot(y_pred, label='Predicted')
plt.legend()
plt.show()

从图上看，模型拟合效果不错。

未完待续…