1、Prophet是Facebook釋出的基于可分解(趨勢+季節+節假日)模型的開源庫。它可以用簡單直覺的參數進行高精神的時間序列預測。
1.1 拟合過程
教程中使用的資料集可在 Prophet 的 github 首頁 中的 examples 檔案夾 内下載下傳得到。
from fbprophet import Prophet
# 1. 建立 Prophet 對象
m=Prophet()
"""
data是訓練資料，預測過程需要建立在包含日期ds列的資料框基礎上
"""
# 2. 拟合模型
m.fit(data)
"""
Prophet.make_future_dataframe 來将未來的日期擴充指定的天數，得到一個合規的資料框。
預設情況下，這樣做會自動包含曆史資料的日期，是以我們也可以用來檢視模型對于曆史資料的拟合效果。
"""
# 3. 建構帶預測日期資料框，periods=365代表除曆史資料的日期外再往後推365天
future=m.make_future_dataframe(periods=365)
"""
将會對每一行未來future 日期得到一個預測值（稱為 yhat）。
如果你傳入了曆史資料的日期，它将會提供樣本的模型拟合值。
預測 forecast 建立的對象應當是一個新的資料框，其中包含一列預測值 yhat ，以及成分的分析和置信區間。
"""
# 4. 預測資料集
forecast=m.predict(future)
forecast[['ds','yhat','yhat_lower','yhat_upper']].tail()
# 5. 展示結果
m.plot(forecast)
# 6. 預測的成分分析繪圖，展示預測中的趨勢，周效應和年度效應
m.plot_components(forecast)
1.2 結果顯示
1.2.1 原始資料描述
1.2.2 建構待預測日期資料框
1.2.3 預測資料集
1.2.4 展示預測結果
1.2.5 預測成分分析圖
通過對資料的分析，我們就可以知道：
①圖1是根據trend畫出來的，圖2是根據weekly畫出來的，圖3是根據yearly畫出來的。
②因為是加法模型，有：forecast['additive_terms'] = forecast['weekly'] + forecast['yearly']；有：forecast['yhat'] = forecast['trend'] + forecast['additive_terms'] 。是以：forecast['yhat'] = forecast['trend'] +forecast['weekly'] + forecast['yearly']。
如果有節假日因素，那麼就會有forecast['yhat'] = forecast['trend'] +forecast['weekly'] + forecast['yearly'] + forecast['holidays']。
在第四部分，我們會講到節假日因素，對于那些是節假日的天數，forecast['holidays']才會有值，不是節假日的天數，forecast['holidays']為0。
③因為是加法模型，'multiplicative_terms', 'multiplicative_terms_lower', 'multiplicative_terms_upper'這3列為空。
是以，基于上面的分析，weekly中的Monday為0.3的意思就是，在trend的基礎上，加0.3；Saturday為-0.3的意思就是，在trend的基礎上，減0.3。是以，這條線的高低也在一定程度上反應了“銷量的趨勢“。
1.3 參考連結
github連結：https://github.com/facebook/prophet/tree/master/python
部落格連結：https://blog.csdn.net/anshuai_aw1/article/details/83412058