prophet源码阅读

1.项目简介

1.1.prophet简介

prophet是由facebook开发的一款时间序列预测的工具，他具有以下的优缺点:

• 优点：
  1.易用性高： Prophet 设计简单，易于上手，无需对时间序列预测领域有深入的专业知识，使得非专业人士也能够快速使用。

  2.灵活性强： Prophet 提供了许多参数和选项，可以根据不同的数据特点和预测需求进行调整，灵活适应各种场景。

  3.自动化处理： Prophet 可以自动处理数据中的缺失值和异常值，自动检测并适应节假日效应，减轻了用户的预处理负担。
  4，可解释性强： Prophet 的预测模型基于可解释性强的分解方式，能够直观地展示出趋势、季节性和假日效应等，便于用户理解和解释预测结果。

• 缺点：
  1.局限性： Prophet 的预测模型相对简单，无法处理一些复杂的时间序列模式和特征，例如非线性趋势、多重季节性等。

  2.性能问题： 对于大规模的时间序列数据，Prophet 可能会面临性能问题，模型拟合和预测的时间较长，不适用于实时或高频率的预测任务。

  3.不适用于所有场景： 由于其简单的模型结构和特性限制，Prophet 不适用于所有的时间序列预测问题，尤其是一些复杂的、高度非线性的场景。

2.核心代码

2.1.数据处理

• 数据读取主要是使用pandas库来读取

  import pandas as pd
  pd.read_csv(path)

• 读取时序数据后，Prophet 在 forecaster.py 中的 _make_future_dataframe 函数中对输入数据进行了处理。

2.2.模型实例化模块

在forecaster.py模块中的Prophet类
实例化只需要调用

form prophet import Prophet
m = Prophet()

以上两行代码就将prophet对象实例化给了m

def __init__(
            self,
            growth='linear',
            changepoints=None,
            n_changepoints=25,
            changepoint_range=0.8,
            yearly_seasonality='auto',
            weekly_seasonality='auto',
            daily_seasonality='auto',
            holidays=None,
            seasonality_mode='additive',
            seasonality_prior_scale=10.0,
            holidays_prior_scale=10.0,
            changepoint_prior_scale=0.05,
            mcmc_samples=0,
            interval_width=0.80,
            uncertainty_samples=1000,
            stan_backend=None,
            scaling: str = 'absmax',
            holidays_mode=None,
    ):

由上方的Prophet类__init__()参数可以看到由很多可选参数

以下分析一些较为常见的参数设置：

• growth：默认为linear，可选logistic和flat
• changepoints：可指定历史数据中哪天为changepoint
• n_changepoints:设置潜在变化点，默认为25
• changepoint_rangem：推断历史数据的前多少百分比，默认情况为0.8
• changepoint_prior_scale：设置趋势的灵活性，如果趋势变化是过拟合（灵活性过高）或拟合欠（灵活性不足），则可以使用输入参数调整稀疏先验的强度。默认情况下，此参数设置为 0.05
• yearly_seasonlity:默认为‘auto’，表示当历史数据大于一年时自动分析yearly的周期性变化
• weakly_seasonlity与daily_seasonlity同yearly_seasonlity
• holidays:属于外部影响因素，为Dataframe形式，可以为python内定的节假日也可以是自己指定的节假日
• seasonality_mode：表示预测结果是trend+seasonlity还是trend*seasonlity，大部分工业应用为乘法模式，prophet默认为加法模式

Prophet类中一些常用的函数：

• def add_country_holidays(self, country_name):
  这是prophet中加入内置节假日的函数,使用方法如下：

  m = Prophet(holidays=holidays)
  m.add_country_holidays(country_name='US')
  m.fit(df)
  forecast = m.predict(future

• def add_seasonality(self, name, period, fourier_order, prior_scale=None,

                    mode=None, condition_name=None):
  

自定义周期函数：
不同与一个月，一周，一年的周期，可以自定义多久时间来分析周期变化

• def add_regressor(self, name, prior_scale=None, standardize=’auto’,

                  mode=None):  
  

  添加自定义外部影响的函数

2.3.模型训练

prophet训练模型类似于sklearn，forester.py中fit函数进行模型的训练：

m.fit(ds) #训练模型

2.4.模型预测

prophet的预测也相似于sklearn，依靠forester.py中的predic函数

    forecast = m.predict(future)
```  


  
### 2.5.可视化模块
  prophet的可视化也很方便包，在Prophet类中有plot、plot_components函数，用于绘制预测结果图和各个组成部分的图：  
```commandline
    m.plot(forecast)

通过以上代码可以显示出预测结果的可视化，如下所示：

通过以下代码可得预测各部分(趋势和周期性）的可视化：

m.plot_compoents(forecast)

Donate