【时间序列】详解Prophet模型以及代码示例

Prophet模型详解及代码示例Prophet是Facebook开源的一款适用于时间序列预测的模型，其核心思想是通过分解时间序列为趋势、季节性和节假日因素，并允许用户灵活调整各部分参数。以下从模型结构、趋势项、季节性、节假日处理及代码实现展开详解。一、模型结构Prophet采用可分解的时间序列模型，公式为：趋势项（g(t)）：表示非周期性变化，支持饱和增长和分段线性两种模式。季节项（s(t)）：表示周期性变化（如周、年季节性），通过傅里叶级数建模。节假日项（h(t)）：表示节假日或特殊事件的影响。误差项（ε?）：假设服从正态分布，代表模型无法解释的随机波动。优点：灵活性：支持多周期季节性和自定义趋势假设。缺失值处理：无需插值，可直接处理不规则间隔数据。计算效率：拟合速度快，支持交互式调参。可解释性：参数直观，易于理解。二、趋势项建模Prophet提供两种趋势模型：饱和增长模型（Logistic）适用于有承载力限制的场景（如市场总规模）：参数：承载力（C）、增长率（k）、偏移量（m）。动态调整：C和k可随时间变化，支持分段逻辑回归以处理趋势突变。分段线性模型适用于无承载力限制的线性增长：参数：增长率（k）、增长率变化量（δ）、偏移量（m）、连续性约束（γ）。突变点处理：通过以下参数控制趋势灵活性：n_changepoints：潜在突变点数量。changepoint_prior_scale：调整趋势灵活度（值越大，趋势越灵活）。changepoints：手动指定突变点位置。changepoint_range：突变点分布范围（默认前80%时间）。代码示例：import pandas as pdfrom fbprophet import Prophet# 读取数据df = pd.read_csv(examples/example_wp_log_R.csv)# 饱和增长模型（指定承载力）df[cap] = 8.5 # 设置承载力上限m = Prophet(growth=logistic)m.fit(df)# 分段线性模型（调整突变点灵活度）m = Prophet(changepoint_prior_scale=0.5)forecast = m.fit(df).predict(future)# 手动指定突变点m = Prophet(changepoints=[2014-01-01])forecast = m.fit(df).predict(future)# 可视化突变点from fbprophet.plot import add_changepoints_to_plotfig = m.plot(forecast)add_changepoints_to_plot(fig.gca(), m, forecast)三、季节性建模Prophet使用傅里叶级数拟合周期性模式：参数：周期（P）、傅里叶阶数（N）。默认值：年季节性（N=10）、周季节性（N=3）。正则化：通过seasonality_prior_scale控制季节性灵活度。代码示例：# 禁用周季节性，添加月季节性m = Prophet(seasonality_prior_scale=5, weekly_seasonality=False)m.add_seasonality(name=monthly, period=30.5, fourier_order=5)forecast = m.fit(df).predict(future)四、节假日建模节假日对时间序列影响显著，Prophet支持自定义节假日：参数：节假日日期（D?）、影响窗口（lower_window/upper_window）。正则化：通过holidays_prior_scale控制节假日影响强度。代码示例：# 定义节假日（季后赛和超级碗）playoffs = pd.DataFrame({ holiday: playoff, ds: pd.to_datetime([2008-01-13, 2009-01-03, 2010-01-16]), lower_window: 0, upper_window: 1,})superbowls = pd.DataFrame({ holiday: superbowl, ds: pd.to_datetime([2010-02-07, 2014-02-02]), lower_window: 0, upper_window: 1,})holidays = pd.concat((playoffs, superbowls))# 建模并预测m = Prophet(holidays=holidays)forecast = m.fit(df).predict(fu