深度学习篇---Prophet时间序列预测工具

---

---

前言

本文简单介绍了Prophet时间预测工具的使用等相关知识。

---

一、什么是Prophet？

Prophet是Facebook核心数据科学团队开发的一个开源时间序列预测工具，于2017年发布。它专门为业务预测任务设计，具有以下特点：

易用性

易用性：无需深厚的时间序列分析专业知识即可使用

自动化

自动化：自动检测时间序列中的趋势、季节性和节假日效应

灵活性

灵活性：允许用户轻松加入领域知识调整模型

鲁棒性

鲁棒性：对缺失数据和异常值有较好的处理能力

快速拟合

快速拟合：基于Stan的底层实现，计算效率高

Prophet特别适合具有强烈季节性效应和多个季节历史数据的时间序列，也适用于历史数据较少的情况。

二、Prophet的核心原理

Prophet使用了一个可分解的加法模型，将时间序列分解为三个主要部分：

y(t) = g(t) + s(t) + h(t) + εₜ
其中：
g(t)：趋势函数，模拟非周期性变化
s(t)：季节性成分，表示周期性变化（如周、月、年季节性）
h(t)：节假日效应，表示不规则日程的影响
εₜ：误差项，表示模型未捕捉的随机变化

1. 趋势模型

Prophet提供了两种趋势模型可选：

a. 分段线性模型（默认）

g(t) = (k + a(t)ᵀδ)·t + (m + a(t)ᵀγ)
适用于具有明显变化点的趋势

b. 逻辑增长模型

g(t) = C / (1 + exp(-k(t - m)))
适用于有饱和增长限制的数据

2. 季节性模型

使用傅里叶级数来拟合周期性模式：

s(t) = Σ[aₙ·cos(2πnt/P) + bₙ·sin(2πnt/P)]
其中P是周期（年周期为365.25，周周期为7）

3. 节假日效应

通过为每个节假日指定一个时间窗口，模型在该窗口内添加额外的参数来捕捉节假日影响。

三、Prophet使用方法

安装Prophet

# Python安装（需要先安装pystan）
pip install prophet

# R安装
install.packages("prophet")

Python基本使用示例

import pandas as pd
from prophet import Prophet

1. 准备数据

# 数据需要包含两列：ds (日期) 和 y (值)
df = pd.read_csv('example_data.csv')  # 或创建DataFrame
df['ds'] = pd.to_datetime(df['ds'])

2. 创建并拟合模型

model = Prophet(
    growth='linear',  # 趋势类型 ('linear' 或 'logistic')
    seasonality_mode='additive',  # 季节性模式 ('additive' 或 'multiplicative')
    yearly_seasonality=True,  # 是否拟合年季节性
    weekly_seasonality=True,  # 是否拟合周季节性
    daily_seasonality=False,  # 是否拟合日季节性
    changepoint_prior_scale=0.05,  # 趋势灵活度
    seasonality_prior_scale=10.0,  # 季节性强度
    holidays_prior_scale=10.0,  # 节假日强度
)

### 添加自定义节假日（可选）
holidays = pd.DataFrame({
    'holiday': 'spring_festival',
    'ds': pd.to_datetime(['2020-01-25', '2021-02-12', '2022-02-01']),
    'lower_window': -7,
    'upper_window': 7,
})
model.add_country_holidays(country_name='CN')  # 添加中国节假日
model.add_holidays(holidays)  # 添加自定义节假日

### 拟合模型
model.fit(df)

3. 创建预测数据框

future = model.make_future_dataframe(periods=365)  # 预测未来365天

4. 生成预测

forecast = model.predict(future)

5. 可视化结果

fig1 = model.plot(forecast)  # 预测图
fig2 = model.plot_components(forecast)  # 分解图

四、关键参数说明

growth

growth: 趋势类型

linear

‘linear’: 线性趋势（默认）

logistic

‘logistic’: 逻辑增长趋势（需指定cap和floor列）

seasonality_mode

seasonality_mode: 季节性模式

additive

‘additive’: 加法模型（默认）

multiplicative

‘multiplicative’: 乘法模型

changepoint_prior_scale

changepoint_prior_scale: 控制趋势灵活度

值越大，趋势越灵活（可能过拟合）

值越小，趋势越刚性（可能欠拟合）

seasonality_prior_scale

seasonality_prior_scale: 控制季节性强度

值越大，季节性效应越强

holidays_prior_scale

holidays_prior_scale: 控制节假日效应强度

五、高级功能

自定义季节性

model.add_seasonality(name='monthly', period=30.5, fourier_order=5)

调整变点

model = Prophet(changepoints=['2020-01-01', '2021-01-01'])  # 手动指定变点
饱和预测（逻辑增长）:

df['cap'] = 100  # 上限
df['floor'] = 0  # 下限
future['cap'] = 100
future['floor'] = 0
model = Prophet(growth='logistic')

交叉验证

from prophet.diagnostics import cross_validation
df_cv = cross_validation(model, initial='730 days', period='180 days', horizon='365 days')

性能评估

from prophet.diagnostics import performance_metrics
df_p = performance_metrics(df_cv)

六、实际应用建议

数据准备

1. 确保日期列格式正确
2. 处理缺失值和异常值
3. 对于逻辑增长模型，明确指定上限和下限

模型调优

1. 通过交叉验证选择最佳参数
2. 尝试不同的季节性模式
3. 添加领域特定的节假日和事件

结果解释

1. 使用plot_components理解趋势和季节性
2. 检查预测的不确定性区间

局限性

1. 不适用于高频率数据（如秒级、分钟级）
2. 对长期预测（远超出历史数据范围）可能不准确
3. 对突变型时间序列（如加密货币价格）效果有限

七、与其他工具的对比

特性 Prophet ARIMA LSTM
易用性 高 中 低
自动化程度 高 低 中
处理季节性 优秀 中等 优秀
解释性 高 中 低
训练速度 快 中等 慢
数据需求 少 中等 多
趋势变化处理 优秀 差 优秀

Prophet特别适合业务场景中的时间序列预测，尤其是那些具有明显季节性且需要快速部署的场景。对于更复杂的时间序列或需要更高精度的预测，可能需要考虑更高级的模型如深度学习时间序列模型。

---