Prophet（預言者）facebook時序預測----論文總結以及調參思路

• Prophet是比較簡單易用的，對於非時序預測和機器學習領域專家的是非常容易上手的。其參數大多數都是非常直觀的參數。（Prophet的python包大量使用了pandas庫，所以使用python做開發的需要首先了解pandas的使用。）

• Prophet也是一種約定優於配置的思想，寫代碼只需要按照約定的套路定義好pandas中的dataframe就可以輕鬆進行預測。

• 下面我們來進行一個官方網站提供的Quick Start來進行學習瞭解。

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

# 數據文件請從github上的Prophet項目下載，並放在代碼的對應目錄
df = pd.read_csv('examples/example_wp_peyton_manning.csv')
df['y'] = np.log(df['y'])
print df.tail()

# 定義模型
m = Prophet()

# 訓練模型
m.fit(df)

# 構建預測集
future = m.make_future_dataframe(periods=365)
print future.tail()

# 進行預測
forecast = m.predict(future)

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

上圖爲最終的作圖結果，其中藍色線爲預測結果，黑色點爲原數據點。除此之外，由於Prophet使用的是加性模型，也就是把模型分爲趨勢模型、週期模型、節假日以及隨機噪聲的疊加。因爲我們可以方便對各個成分進行作圖觀察。我們可以利用m.plot_components(forecast)，對各個成分進行作圖觀察，如下：
默認會畫出趨勢、年週期、星期週期成分（如果在定義模型時給出了holiday參數，還會做出holiday的成分圖）

• 下面乾貨，從我的學到的經驗中設計如何利用Prophet構建有效的預測模型。
  
  1. 首先我們去除數據中的異常點（outlier），直接賦值爲none就可以，因爲Prophet的設計中可以通過插值處理缺失值，但是對異常值比較敏感。
  2. 選擇趨勢模型，默認使用分段線性的趨勢，但是如果認爲模型的趨勢是按照log函數方式增長的，可設置growth='logistic'從而使用分段log的增長方式
  3. 設置趨勢轉折點（changepoint），如果我們知道時間序列的趨勢會在某些位置發現轉變，可以進行人工設置，比如某一天有新產品上線會影響我們的走勢，我們可以將這個時刻設置爲轉折點。
  4. 設置週期性，模型默認是帶有年和星期以及天的週期性，其他月、小時的週期性需要自己根據數據的特徵進行設置，或者設置將年和星期等週期關閉。
  5. 設置節假日特徵，如果我們的數據存在節假日的突增或者突降，我們可以設置holiday參數來進行調節，可以設置不同的holiday，例如五一一種，國慶一種，影響大小不一樣，時間段也不一樣。
  6. 此時可以簡單的進行作圖觀察，然後可以根據經驗繼續調節上述模型參數，同時根據模型是否過擬合以及對什麼成分過擬合，我們可以對應調節seasonality_prior_scale、holidays_prior_scale、changepoint_prior_scale參數。

---

相關網站：

• Prophet官方文檔：https://facebook.github.io/prophet/
• Prophet論文：https://peerj.com/preprints/3190/
• Prophet-github:https://github.com/facebook/prophet