AutoARIMAProphet模型
AutoARIMAProphet 是一种将两种流行的时间序列预测模型 AutoARIMA 和 Prophet 结合起来的混合模型。它结合了 AutoARIMA 模型的自动参数选择功能和 Prophet 模型的强大处理非线性趋势和季节性的能力，从而提高了时间序列预测的准确性和鲁棒性
AutoARIMA
AutoARIMA 是一种自动选择最佳ARIMA 模型参数的方法，ARIMA模型通过整合自回归（AR）部分、差分（I）部分和移动平均（MA）部分来进行预测，AutoARIMA 可以通过优化算法自动确定这些参数（p, d, q），从而使模型适应数据的特性，ARIMA模型进阶——具有季节性的SARIMAX模型实现（末尾给出了statsforecast库Github链接这个库除了ARIMA模型自动选择最佳参数以外，还存在其它模型的调用以供读者参考，模型AutoARIMAProphet也将利用这个库实现）
Prophet
Prophet 是由 Facebook 开发的一种时间序列预测模型，设计上特别适合处理具有明显季节性和假日效应的时间序列数据，Prophet 模型基于加法模型，包含趋势、季节性和假日组件，可以灵活地处理缺失数据和异常值，时间序列预测神器Prophet python实现
AutoARIMAProphet 模型 工作流程
这样模型构建的优势在于 自动化参数选择
：利用 AutoARIMA 自动选择最佳参数，减少了模型调参的时间和复杂度， 处理非线性趋势和季节性 ：通过 Prophet 的组件，模型可以有效处理复杂的趋势和季节性模式， 鲁棒性 ：结合两种方法的优点，能够在多种时间序列数据上表现良好
代码构建
数据读取
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
df = pd.read_excel('AutOARIMA-Prophet.xlsx')
df['数据时间'] = pd.to_datetime(df['数据时间']) # 把日期列转换为datetime格式
plt.figure(figsize=(15, 5))
plt.plot(df['数据时间'], df['data'], color='b', alpha=0.6)
plt.title('时序图')
plt.grid(True)
plt.show()
数据准备
# 准备数据，确保日期列名为 'ds'，值列名为 'y', 这里主要是去适应模型输入格式
df = df.rename(columns={'数据时间': 'ds', 'data': 'y'})
from sklearn.model_selection import train_test_split
X = df['ds']
Y = df['y']
# 分割训练集和测试集，保留时间序列的顺序shuffle=False
X_train, X_test, Y_train, Y_test = train_test_split(X, Y,test_size = 0.05,
random_state = 0,shuffle=False)
# 合并成一个 DataFrame
train_data = pd.DataFrame({'ds': X_train, 'y': Y_train})
test_data = pd.DataFrame({'ds': X_test, 'y': Y_test})
# 确保索引排序正确
train_data = train_data.sort_index()
test_data = test_data.sort_index()
修改时间序列数据以适应Prophet模型的输入格式，首先将数据框中的日期列名改为'ds'，将值列名改为'y'。然后使用train_test_split函数将数据分割成训练集和测试集，保持时间序列的顺序（即shuffle=False），并将它们组合成两个新的数据框，最后确保了两个数据框的索引排序正确
模型训练
from statsforecast.adapters.prophet import AutoARIMAProphet
from tqdm import tqdm
from datetime import datetime
# 初始化 AutoARIMAProphet 模型配置
model_config = {
"growth": "linear", # 设置增长类型线性增长。适用于数据呈线性增长趋势的情况。
"yearly_seasonality": True, # 启用年度季节性
"seasonality_mode": "multiplicative", # 季节性成分的模式为乘法模式
"seasonality_prior_scale": 10, # 季节性先验尺度
"holidays_prior_scale": 10, # 节假日效应的先验尺度
"changepoint_prior_scale": 0.05, # 变化点的先验尺度
"interval_width": 0.75, # 预测间隔的宽度
"uncertainty_samples": 100 # 用于预测不确定性的样本数量
}
# 实例化模型
model = AutoARIMAProphet(**model_config)
start = datetime.now()
with tqdm(total=1, desc="Fitting Model") as pbar:
autoarimaprophet = model.fit(train_data, disable_seasonal_features=False)
pbar.update(1)
print("Training time:", datetime.now() - start) # 计算训练时间
periods = len(test_data)+30
future_data = autoarimaprophet.make_future_dataframe(periods=periods)
# 进行预测
forecast = model.predict(future_data)
forecast.head()
这里的模型预测将会从测试集的起点开始进行预测，直到定义的往后预测点数量，yhat是预测结果，yhat_lower和yhat_upper是置信区间，下面给出参数解释，具体的参数可参考原文链接
在这里模型采用的增长类型是linear如果采用logistic需要指定预测值的上下限，具体代码如下
# 初始化 AutoARIMAProphet 模型配置
model_config = {
"growth": "logistic", # 设置增长类型为逻辑斯蒂增长，适用于 S 形增长的数据
"yearly_seasonality": True, # 启用年度季节性
"seasonality_mode": "multiplicative", # 季节性成分的模式为乘法模式
"seasonality_prior_scale": 10, # 季节性先验尺度
"holidays_prior_scale": 10, # 节假日效应的先验尺度
"changepoint_prior_scale": 0.05, # 变化点的先验尺度
"interval_width": 0.75, # 预测间隔的宽度
"uncertainty_samples": 1000 # 用于预测不确定性的样本数量
}
cap = train_data['y'].max() # 预测值的上限,这里采用测试集的最大值最小值，可根据实际数据进行调整
floor = train_data['y'].min() # 预测值的下限
model = AutoARIMAProphet(**model_config)
# 为训练数据添加 cap 和 floor 列
train_data['cap'] = cap
train_data['floor'] = floor
# 训练模型
start = datetime.now() # 使用datetime模块中的函数获取当前时间
with tqdm(total=1, desc="Fitting Model") as pbar:
autoarimaprophet = model.fit(train_data, disable_seasonal_features=False)
pbar.update(1)
print("Training time:", datetime.now() - start) # 计算训练时间
# 预测未来30天
periods = len(test_data)+30 # 这里时间上是在测试集上进行预测后在往后预测未来30天
future_data = autoarimaprophet.make_future_dataframe(periods=periods)
future_data['cap'] = cap
future_data['floor'] = floor
# 进行预测
forecast = model.predict(future_data)
模型可视化
# 获取最后 30 个预测值
pred = forecast.tail(30)
# 测试集预测
start_date = test_data['ds'].iloc[0]
end_date = test_data['ds'].iloc[-1]
test_pred = forecast[(forecast['ds'] >= start_date) & (forecast['ds'] <= end_date)]
# 训练集预测
start_date = train_data['ds'].iloc[0]
end_date = train_data['ds'].iloc[-1]
train_pred = forecast[(forecast['ds'] >= start_date) & (forecast['ds'] <= end_date)]
plt.figure(figsize=(15, 5))
plt.plot(train_data['ds'], train_data['y'], color='r', alpha=0.3, label='训练集真实值')
plt.plot(test_data['ds'], test_data['y'], color='r', alpha=0.8, label='测试集真实值')
plt.plot(train_pred['ds'], train_pred['yhat'], color='blue', linestyle='--', label='训练集预测值')
plt.fill_between(train_pred['ds'], train_pred['yhat_lower'], train_pred['yhat_upper'], color='blue', alpha=0.2)
plt.plot(test_pred['ds'], test_pred['yhat'], color='green', linestyle='--', label='测试集预测值')
plt.fill_between(test_pred['ds'], test_pred['yhat_lower'], test_pred['yhat_upper'], color='green', alpha=0.2)
plt.plot(pred['ds'], pred['yhat'], color='orange', linestyle='--', label='未来预测值')
plt.fill_between(pred['ds'], pred['yhat_lower'], pred['yhat_upper'], color='orange', alpha=0.2)
plt.title('预测')
plt.legend()
plt.grid(True)
plt.show()
往期推荐
Pythorch框架构建Attention-lstm时序模型
如果你对类似于这样的文章感兴趣。
欢迎关注、点赞、转发~
个人观点，仅供参考