时间序列：Facebook→Prophet→NeuralProphet

Prophet

Prophet是由Facebook开发的一种开源的时间序列预测模型。它基于加法模型，将时间序列数据拆分为趋势、季节性和假日效应，并利用回归方法对这些组成部分进行建模。Prophet具有以下特点：

灵活性：Prophet可以处理具有多种时间尺度和季节性模式的时间序列数据，包括年度、季度、月度和日度模式。它能够自动检测和适应不同的季节性模式，并且可以处理缺失数据和异常值。

可解释性：Prophet提供了对模型组成部分的解释，包括趋势、季节性和假日效应。这使得用户可以更好地理解和解释预测结果。

自动化：Prophet提供了一套简单易用的API，使得模型的训练和预测过程非常简便。它内置了许多调优和自动化功能，包括自动选择趋势模型、季节性模型和异常值处理方法。

以下是使用Prophet进行时间序列预测的示例代码：

from fbprophet import Prophet

# 创建Prophet模型
model = Prophet()

# 添加时间序列数据
df = pd.read_csv('data.csv')  # 读取时间序列数据，包括'ds'和'y'两列，其中'ds'为日期，'y'为目标变量
model.fit(df)

# 预测未来时间点
future = model.make_future_dataframe(periods=365)  # 设置要预测的未来时间点
forecast = model.predict(future)  # 进行预测

# 可视化预测结果
model.plot(forecast)
model.plot_components(forecast)

上述代码中，通过导入Prophet类创建了Prophet模型，并使用model.fit()方法添加时间序列数据进行训练。然后，使用model.make_future_dataframe()创建包含未来时间点的数据框，并通过model.predict()进行预测。最后，使用model.plot()和model.plot_components()可视化预测结果和模型组成部分。

需要注意的是，使用Prophet进行时间序列预测时，数据集应满足一定的格式要求，包括日期列（ds）和目标变量列（y）。另外，Prophet还支持添加假日效应，以更好地捕捉时间序列中的季节性和特殊事件的影响。

以上是使用Prophet进行时间序列预测的基本示例，实际应用中可能需要根据数据的特点进行更复杂的配置和调优。更多关于Prophet的使用方法和功能可以参考其官方文档。

NeuralProphet

NeuralProphet是一种基于神经网络的时间序列预测模型，它是Prophet的扩展版本，提供了更强大的神经网络模型来捕捉时间序列数据中的非线性模式和复杂关系。NeuralProphet具有以下特点：

灵活性：NeuralProphet支持多种时间尺度的时间序列数据预测，包括年度、季度、月度和日度模式。它能够自动检测和适应不同的季节性模式，并且可以处理缺失数据和异常值。

强大的神经网络模型：NeuralProphet使用具有灵活结构的神经网络模型来捕捉时间序列中的非线性模式和复杂关系。它支持多层感知器（MLP）、长短期记忆网络（LSTM）等常用神经网络结构，并提供了丰富的配置选项。

自动化：NeuralProphet提供了简单易用的API，使得模型的训练和预测过程非常方便。它内置了自动调优功能，包括自动选择网络结构、优化算法和超参数调整。

以下是使用NeuralProphet进行时间序列预测的示例代码：

from neuralprophet import NeuralProphet

# 创建NeuralProphet模型
model = NeuralProphet()

# 添加时间序列数据
df = pd.read_csv('data.csv')  # 读取时间序列数据，包括'ds'和'y'两列，其中'ds'为日期，'y'为目标变量
model.fit(df)

# 预测未来时间点
future = model.make_future_dataframe(df, periods=365)  # 设置要预测的未来时间点
forecast = model.predict(future)  # 进行预测

# 可视化预测结果
model.plot(forecast)
model.plot_components(forecast)

上述代码中，通过导入NeuralProphet类创建了NeuralProphet模型，并使用model.fit()方法添加时间序列数据进行训练。然后，使用model.make_future_dataframe()创建包含未来时间点的数据框，并通过model.predict()进行预测。最后，使用model.plot()和model.plot_components()可视化预测结果和模型组成部分。

需要注意的是，NeuralProphet要求数据集满足一定的格式要求，包括日期列（ds）和目标变量列（y）。它还支持添加自定义季节性和节假日效应，以更好地捕捉时间序列中的周期性和特殊事件的影响。

以上是使用NeuralProphet进行时间序列预测的基本示例，实际应用中可能需要根据数据的特点进行更复杂的配置和调优。更多关于NeuralProphet的使用方法和功能可以参考其官方文档。

Prophet和NeuralProphet的联系与区别

Prophet和NeuralProphet是两个用于时间序列预测的开源库，具有以下联系和区别：

联系：

基于统计模型：Prophet和NeuralProphet都是基于统计模型的时间序列预测方法，旨在提供简单且易于使用的工具来进行时间序列预测。

季节性建模：两者都支持对季节性模式进行建模，可以自动检测和捕捉时间序列数据中的年度、季度、月度和日度的季节性变化。

可解释性：Prophet和NeuralProphet提供了可视化和解释模型组成部分的功能，使用户可以更好地理解模型如何预测时间序列数据。

区别：

建模方法：Prophet基于加法模型，将时间序列分解为趋势、季节性和假日效应，使用非线性的广义可加模型进行预测。NeuralProphet则使用神经网络模型，能够捕捉更复杂的非线性关系和模式。

灵活性和自动化：NeuralProphet相对于Prophet更加灵活和自动化。NeuralProphet提供了多个神经网络结构的选择，并支持自动调整模型结构和超参数，以适应不同的时间序列数据。Prophet相对较为简单，提供了一些参数和选项，但不如NeuralProphet灵活。

计算效率：Prophet是基于统计模型的方法，计算速度相对较快。NeuralProphet使用神经网络模型，计算复杂度较高，可能需要更多的计算资源和时间。

综上所述，Prophet适用于简单的时间序列预测问题，易于使用和解释，计算速度较快；NeuralProphet适用于更复杂的时间序列预测问题，能够捕捉更复杂的模式和关系，但可能需要更多的计算资源和时间。选择哪个库取决于数据的特点、预测需求和用户的偏好。

参考：

1. Facebook 时间序列预测算法 Prophet 的研究
2. 时间序列模型Prophet使用详细讲解