Prophet（预言者）facebook时序预测----论文总结以及调参思路

Prophet是比较简单易用的，对于非时序预测和机器学习领域专家的是非常容易上手的。其参数大多数都是非常直观的参数。（Prophet的python包大量使用了pandas库，所以使用python做开发的需要首先了解pandas的使用。）

Prophet也是一种约定优于配置的思想，写代码只需要按照约定的套路定义好pandas中的dataframe就可以轻松进行预测。

下面我们来进行一个官方网站提供的Quick Start来进行学习了解。

import pandas as pd
import numpy as np
from fbprophet import Prophet
import matplotlib.pyplot as plt

# 数据文件请从github上的Prophet项目下载，并放在代码的对应目录
df = pd.read_csv('examples/example_wp_peyton_manning.csv')
df['y'] = np.log(df['y'])
print df.tail()

# 定义模型
m = Prophet()

# 训练模型
m.fit(df)

# 构建预测集
future = m.make_future_dataframe(periods=365)
print future.tail()

# 进行预测
forecast = m.predict(future)

print forecast.tail(10)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(10)
m.plot(forecast)
plt.show()

上图为最终的作图结果，其中蓝色线为预测结果，黑色点为原数据点。除此之外，由于Prophet使用的是加性模型，也就是把模型分为趋势模型、周期模型、节假日以及随机噪声的叠加。因为我们可以方便对各个成分进行作图观察。我们可以利用

m.plot_components(forecast)

，对各个成分进行作图观察，如下：


默认会画出趋势、年周期、星期周期成分（如果在定义模型时给出了holiday参数，还会做出holiday的成分图）

下面干货，从我的学到的经验中设计如何利用Prophet构建有效的预测模型。

首先我们去除数据中的异常点（outlier），直接赋值为none就可以，因为Prophet的设计中可以通过插值处理缺失值，但是对异常值比较敏感。

选择趋势模型，默认使用分段线性的趋势，但是如果认为模型的趋势是按照log函数方式增长的，可设置

growth='logistic'

从而使用分段log的增长方式

设置趋势转折点（changepoint），如果我们知道时间序列的趋势会在某些位置发现转变，可以进行人工设置，比如某一天有新产品上线会影响我们的走势，我们可以将这个时刻设置为转折点。

设置周期性，模型默认是带有年和星期以及天的周期性，其他月、小时的周期性需要自己根据数据的特征进行设置，或者设置将年和星期等周期关闭。

设置节假日特征，如果我们的数据存在节假日的突增或者突降，我们可以设置holiday参数来进行调节，可以设置不同的holiday，例如五一一种，国庆一种，影响大小不一样，时间段也不一样。

此时可以简单的进行作图观察，然后可以根据经验继续调节上述模型参数，同时根据模型是否过拟合以及对什么成分过拟合，我们可以对应调节seasonality_prior_scale、holidays_prior_scale、changepoint_prior_scale参数。

相关网站：

Prophet官方文档：https://facebook.github.io/prophet/

Prophet论文：https://peerj.com/preprints/3190/

Prophet-github:https://github.com/facebook/prophet