Prophet
文章平均质量分 74
MqtGhj
本人博客只用做给自己记录用以学习成长,如果能帮到部分人便是意外之喜!低头赶路,敬事如仪!
展开
-
NeuralProphet之NeuralProphet部署
新版本的neuralprophet/utils.py文件下实现了 save和load函数用于模型保存和加载。NeuralProphet之八:NeuralProphet部署。将模型存储到本地,并在需要的时候将其导入。原创 2023-04-13 20:20:00 · 343 阅读 · 0 评论 -
Prophet学习(六)乘法季节性
默认情况下,任何添加的季节性因素或额外的回归因素都将使用任何seasonality_mode设置的值,但在添加季节性因素或回归因素时,可以通过指定mode='additive'或mode='multiplicative'作为参数来覆盖。该时间序列具有明确的年周期,但预测中的季节性在时间序列开始时太大,在时间序列结束时太小。在这个时间序列中,季节性并不是Prophet假设的一个恒定的加性因子,而是随趋势而增长。默认情况下,Prophet适合添加的季节性,这意味着季节性的影响被添加到趋势中以获得预测。原创 2023-04-13 19:47:58 · 288 阅读 · 0 评论 -
Prophet学习(五)季节性、假日效应和回归因子
如果时间序列超过两个周期,Prophet将默认适合每周和每年的季节性。它还将适合每日时间序列的每日季节性。您可以使用add_seasonality方法(Python)或函数(R)添加其他季节性数据(每月、每季度、每小时)。这个函数的输入是一个名称,以天为单位的季节周期,以及季节的傅里叶顺序。作为参考,默认情况下Prophet使用3的傅里叶顺序表示周季节性,10的傅里叶顺序表示年季节性。add_seasonality的一个可选输入是该季节成分的先验尺度——这将在下面讨论。原创 2023-04-13 19:39:35 · 1971 阅读 · 0 评论 -
Prophet学习(四)趋势Changepoints
默认情况下,仅推断时间序列的前80%的变化点,以便有足够的跑道来预测未来的趋势,并避免时间序列结束时的过拟合波动。然后它在速率变化的幅度上放置一个稀疏先验(相当于L1正则化)——这本质上意味着Prophet有大量可能的速率可以改变的地方,但会使用尽可能少的地方。默认情况下,Prophet指定25个潜在的更改点,这些更改点统一放置在时间序列的前80%中。然而,如果你希望对这个过程有更好的控制(例如,Prophet错过了一个速率变化,或者在历史中过度拟合速率变化),那么你可以使用几个输入参数。原创 2023-04-14 01:00:00 · 787 阅读 · 0 评论 -
Prophet学习(三)饱和的预测与饱和最低
这就是所谓的承载能力,预测应该在这一点饱和。和前面一样,我们为未来的预测制作了一个数据框架,只是我们还必须指定未来的容量。需要注意的重要事项是,必须为数据帧中的每一行指定cap,并且它不必是常量。如果市场规模在增长,那么上限可以是一个递增的序列。这里我们将假设一个特定的值,但这通常是根据关于市场规模的数据或专业知识来设置的。逻辑函数的隐式最小值为0,它在0处饱和的方式与在容量处饱和的方式相同。也可以指定不同的饱和最小值。要使用具有饱和最小值的逻辑增长趋势,还必须指定最大容量。原创 2023-04-14 00:45:00 · 546 阅读 · 0 评论 -
Prophet学习(二) 时序预测开源工具包Prophet介绍
Prophet是Facebook开源的时间序列预测算法,可以有效处理节假日信息,并按周、月、年对时间序列数据的变化趋势进行拟合。根据官网介绍,Prophet对具有强烈周期性特征的历史数据拟合效果很好,不仅可以处理时间序列存在一些异常值的情况,也可以处理部分缺失值的情形。算法提供了基于Python和R的两种实现方式。从论文上的描述来看,这个 prophet 算法是基于时间序列分解和机器学习的拟合来做的,其中在拟合模型的时候使用了 pyStan 这个开源工具,因此能够在较快的时间内得到需要预测的结果。原创 2023-04-12 23:16:48 · 1044 阅读 · 0 评论 -
Prophet学习(一) Python API实现
Prophet遵循sklearn模型API。我们创建Prophet类的实例,然后调用它的fit和predict方法。Prophet的输入总是一个有两列的数据帧:ds和y。ds(日期戳)列应该是Pandas期望的格式,理想情况下YYYY-MM-DD表示日期,YYYY-MM-DD HH:MM:SS表示时间戳。y列必须是数字,并表示我们希望预测的测量值。举个例子,让我们看一下Peyton Manning的维基百科页面每日访问量的时间序列。我们抓取这些数据Prophet遵循sklearn模型API。原创 2023-04-12 23:10:22 · 921 阅读 · 0 评论