前言
"Prophet" 指的是由 Facebook 开发的一种用于时间序列分析和预测的工具。它设计用于处理每日观测数据，展示不同时间尺度上的模式。Prophet 特别受欢迎的原因之一是其易用性，以及能够建模季节性、假期和特殊事件。
Prophet 模型的主要特点包括：
- 季节性：Prophet 能够处理年度、周度和日度季节性，适用于具有周期性模式的时间序列数据
- 假期和特殊事件： 模型允许将假期和 特殊事件作为额外的输入，以提高预测准 确性
- 可调参数： 可以调整各种参数以定制模型的行为，例如季节性组件的强度和趋势的灵活性
- 自动检测变点： Prophet 自动识别时间序 列中趋势发 生显著变化的点
- 加法分量： 该模型将时间序列表示为趋势分量、季节性分量和误差项的总和
Prophet 在 R 和 Python 中都有实现，由于其能够以极小的工作量生成准确且易于解释的预测，因此在各个行业中广受欢迎。它被广泛用于金融、电商等领域，这些领域对于决策制定而言，时间序列预测至关重要
详细解读网址：
- Github：phet
-
https://github.com/facebook/prophet
3. 官方网址：Prophet | Forecasting at scale. (facebook.github.io)Prophet | Forecasting at scale. (facebook.github.io)://het/
4. ```
https://facebook.github.io/prophet/
- 论文名字与网址：
-
https://peerj.com/preprints/3190/
Prophet模型的基本原理涉及将时间序列数据分解为趋势组件、季节性组件和假期效应。以下是Prophet模型的主要公式和基本原理：
1. 总体模型
Prophet将时间序列 分解为趋势 、季节性 、假期效应 和误差 的和：
2. 趋势模型
趋势 通常由两部分组成：线性趋势 和饱和增长趋势 ,线性趋势表示长期趋势，而饱和增长趋势用于捕捉可能存在的饱和效应
其中：
表示线性趋势，可以写为
表示饱和增长趋势，采用饱和增长模型，通常用 函数表示
3. 季节性模型
季节性 由周季节性 和年季节性 组成：
具体形式会根据数据自动适应
4. 假期模型
假期效应 是用于考虑假期和特殊时间的组件。每个假期 的影响由用户提供，可以是一个二进制的指示符表示是否存在该假期
5. 误差模型
误差 表示模型无法解释的部分，通常假设为正态分布的噪声
这些组件的具体形式和参数通过拟合模型时从历史数据中学习得到。Prophet利用优化算法来最小化实际观测值与模型预测值之间的误差，从而获得最佳拟合。总体而言，Prophet模型通过这些组件的组合来建模时间序列数据中的趋势、季节性、假期效应和噪声
要使用 Prophet，通常需要提供一个包含两列的时间序列数据集：'ds'（日期）和 'y'（要预测的值）。然后，可以将模型拟合到历史数据中，进行预测，并可视化结果
**代码实现**
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False
data = pd.read_csv('基于KNN临近填补缺失值', index_col=0, parse_dates=['数据时间'])
print(data.shape)
data.head()
数据集为2018-01-01 00:00:00到2021-08-31 23:45:00某地区电网间隔15分钟的负荷数据（数据完整不存在缺失）
plt.figure(figsize=(15,4 ), dpi =300)
plt.grid(True)
plt.plot(data['总有功功率（kw）'], label = '间隔15min数据')
plt.title('间隔15min功率图')
plt.xlabel('时间')
plt.ylabel('总有功功率（kw）')
plt.legend()
plt.show()
data_dmean = data.resample('D').mean()
data_dmean
plt.figure(figsize=(15,4 ), dpi =300)
plt.grid(True)
plt.plot(data_dmean['总有功功率（kw）'], label = '间隔15min数据')
plt.title('每天均值功率图')
plt.xlabel('时间')
plt.ylabel('总有功功率（kw）')
plt.legend()
plt.show()
from fbprophet import Prophet
def FB(datal, column):
df = pd.DataFrame({
'ds':pd.Series(datal.iloc[:,column].index),
'y':pd.Series(datal.iloc[:,column].values)
})
df['cap'] = data.iloc[:,column].max()
df['floor'] = datal.iloc[:,column].min()
m = Prophet(
changepoint_prior_scale = 0.2,
daily_seasonality = False,
yearly_seasonality = True, #年周期性
weekly_seasonality = True, #周周期性
growth = 'linear',
interval_width = 0.8, #置信区间宽度，有多大概率落在浅蓝色线里
)
m.add_country_holidays(country_name = 'CN') # 中国所有节假日
m.fit(df)
future = m.make_future_dataframe(periods = 10) # 往后预测多少
future['cap'] = datal.iloc[:,column].max()
future['floor'] = datal.iloc[:, column].min()
forecast = m.predict(future)
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)
return future, forecast
使用Facebook Prophet库进行时间序列预测的Python代码。FB 函数接受一个数据框（datal）和一个列索引（column）作为输入，对数据进行预处理，拟合Prophet模型，然后对未来时间段进行预测
| | |
| --- | --- |
| 参数 | 含义 |
| changepoint\_prior\_scale | 控制变更点的灵活性，值越大，趋势的灵活性越高 |
| daily\_seasonality | 是否包含每日季节性，如果为'True',则考虑每天的季节性波动 |
| yearly\_seasonality | 是否包含
每年季节性
，如果为
'True
'
,
则考虑
每年的
季节性波动 |
| weekly\_seasonality | 是否包含
每周季节性
，如果为
'True
'
,
则考虑
每周的
季节性波动 |
| growth | 指定趋势的增长类型，可以是'linear'或'logistic' |
| interval\_width | 置信区间的宽度，用于可视化时显示预测的不确定性 |
| holidays | 指定节假日的日期。可以是数据框或'pd.DataFrame’类型，包含节假日的日期和相关信息 |
| add\_country\_holidays | 添加指定国家的所有公共假日 |
| seasonality\_prior\_scale | 控制季节性的灵活性。值越大，季节性的灵活性越高 |
这只是其中一些参数，Prophet 还有其他可调整的参数，具体可以查阅 Prophet 文档 获取详细信息
future, forecast = FB(data\_dmean, 0)
plt.figure(figsize=(15,4 ), dpi =300)
plt.grid(True)
plt.plot(data_dmean, color = 'c', label = '日平均功率曲线')
plt.plot(forecast.ds, forecast.yhat, label='预测曲线')
plt.title('实际日平均功率与预测日平均功率对比图')
plt.xlabel('时间')
plt.ylabel('总有功功率（kw）')
plt.legend()
plt.show()
plt.figure(figsize=(15,4 ), dpi =300)
plt.grid(True)
plt.plot(data_dmean[-100:], color = 'c', label = '日平均功率曲线')
plt.plot(forecast.ds[-100-10:], forecast.yhat[-100-10:], label='预测曲线')
plt.title('实际日平均功率与预测日平均功率对比图')
plt.xlabel('时间')
plt.ylabel('总有功功率（kw）')
plt.legend()
plt.show()
from sklearn import metrics
mse = metrics.mean_squared_error(data_dmean.values, np.expand_dims(forecast.yhat.iloc[0:1339].values,axis=1)) # MSE 均方误差
rmse = np.sqrt(mse) # 均方 根误差RMSE
mae = metrics.mean_absolute_error(data_dmean.values, np.expand_dims(forecast.yhat.iloc[0:1339].values,axis=1)) # MAE 平均绝对误差
def mape(y_true, y_pred):
return np.mean(np.abs((y_pred - y_true) / y_true)) * 100
mape = mape(data_dmean.values, np.expand_dims(forecast.yhat.iloc[0:1339].values,axis=1)) # MAPE 平均绝对百分比误差
print(mse)
print(rmse)
print(mae)
print(mape)
from sklearn.metrics import r2_score # 拟合优度
r2_score(data_dmean.values, np.expand_dims(forecast.yhat.iloc[0:1339].values,axis=1))
如果你对类似于这样的文章感兴趣。
欢迎关注、点赞、转发~