时间序列模型 Prophet 参数设置 实例 源码
==部分来自学习总结==
1、先说适用范围：
很明显，Prophet只适用于具有明显的内在规律（或者说，模式）的商业行为数据。
虽然官方案例里通常使用日数据的序列，但对于更短时间频段，比如小时数据，也是支持的。
但对于不具有明显趋势性、周期性的时间序列，使用Prophet进行预测就不适合了。比如前面有同学用Prophet来预测沪深300……先不说有效市场假说（EMH）否定了历史数据对未来价格拟合的可能性，就算市场存在模式，也不是能够被一个通用模型简单的线性分解成趋势和周期的。
2、入门
提一下安装，win10 +py3.7 +anaconda ，刚开始装确实有问题，后来按照这个命令：
conda install pystan
conda install -c conda-forge fbprophet
要先装pystan,
可以装上了，但是很慢，要升级很多库，我大概用了1小时。
网上很多入门代码，官网也给了很多demo。上手很快，按照网上的数据，预测的结果很ok，信心满满。
总是按照别人的东西做，感觉缺点什么，自己打算给自己挖个坑。
预测一下sin函数。
3、入坑
创建data：这里我改为了txt格式，为了后面方便嵌入到自己的项目程序中。
运行，一气呵成，结果如图：
红线是预测；黑点是输入。黑色虚线是设定的上线。
肯定是哪里错了，不可能连sin函数都预测不出来。
4、学习
应该是要调整参数，给我感觉就是跟随性太差。
经过学习，主要参数如下：
Prophet（）的主要参数：
#设置跟随性： changepoint_prior_scale=0.05 值越大，拟合的跟随性越好，可能会过拟合
#设置置信区间：interval_width=0.8（默认值）,值越小，上下线的带宽越小。
#指定预测类型： growth='linear'或growth = "logistic" ，默认应该是linear。
#马尔科夫蒙特卡洛取样（MCMC）： mcmc_samples=0,会计算很慢。距离意义不清楚
#设置寻找突变点的比例：changepoint_range=0.9 默认从数据的前90%中寻找异常数据。预测这个正弦曲线，如果不设置changepoint_range=1，预测的结果是不对的，不知道为什么。
make_future_dataframe( ）的主要参数：
#periods 周期，一般是根据实际意义确定，重点：后续预测的长度是一个周期的长度。
#freq 我见的有‘MS‘、H、M ，预测sin，要设置H ，个人理解数据如果变化很快，要用H
其他的内置参数：
yearly_seasonality 是年规律拟合，Prophet模型会描绘出以一年为单位的数据规律，后面的部分会有图示；同理于参数 weekly_seasonality，daily_seasonality。
n_changepoints 是预设转折点数量
changepoint_range 是设定转折点可以存在的范围，.1表示存在于历史数据的前十分之一，.5表示在历史数据的前半部分，其余同理。
changepoint_prior_scale 是设置模型对转折点拟合的灵敏度，值越高越灵活。
changepoints=[] 是指定转折点的具体位置
yearly_seasonality 是年的拟合度，值越高越灵活，同时可以选择True和False来设定是否进行年度的拟合。同理与weekly_seasonality和daily_seasonality。
holidays_prior_scale 是假期的拟合度，同样值越高越灵活，同时前提是你需要有假期信息的加入。
seasonality_mode=‘multiplicative’ 是模型学习的方式，默认情况下为加性的，如果如上所示来设置，则是乘性的(multiplicative)。
5、再调试
经过参数学习后，主要调整参数如下：
m = Prophet(changepoint_prior_scale=0.9,interval_width=0.9,growth='linear',changepoint_range=1)
。。。
future = m.make_future_dataframe(periods=120, freq='H') #freq=‘MS‘或者H 来设置运行结果：
自己觉得效果挺好了。
6、小技巧
6.1其他语言程序调用Python
一般是命令行的方法，启动cmd，传入参数。如下：
filename = sys.argv[1] #从cmd读取数据
filename='data'#从指定文件读取数据
其他程序首先启动一个cmd，然后切换到.py文件的目录，然后执行命令： python yourfilename.py 变量value
就可以把参数传入filename 。
6.2、prophet预测的未来的长度是设定的periods的长度。
6.3、为什么有的数据要现log处理，在预测，看这个：https://blog.csdn.net/anshuai_aw1/article/details/83866105
6.4、保存panda 中的dataframe的数据到文本，（新手，做笔记）
#forecast.to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的全部列数据
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的指定列的数据
6.5、在图上显示出突变点：
fig=m.plot(forecast)
...
a = add_changepoints_to_plot(fig.gca(), m, forecast)
6.6、疑惑
prophet只能预测一个Y列吗，如果有多个Y列怎么办？是分多次预测吗？
7、源码
GitHub地址：https://github.com/DamonDBT/prophet_sin_demo
# -*- coding: utf-8 -*-
"""
Created on Fri Jul 19 11:49:17 2019
@author: dbt
"""
# Python
import pandas as pd
import numpy as np
from fbprophet import Prophet
import sys
import os
import matplotlib.pyplot as plt
from fbprophet.plot import add_changepoints_to_plot
#orig_out = sys.stdout
#sys.stdout = open(os.devnull, 'w')
#filename = sys.argv[1] #从cmd读取数据
filename='data'#从指定文件读取数据
df = pd.read_csv(filename+'.txt')
#df['y'] = np.log(df['y']) #为什么要log处理？都要有吗？
#df['cap'] = 1#log预测才用
#df['floor'] = -1#log预测才用
df.head()
#设置跟随性： changepoint_prior_scale=0.05 值越大，拟合的跟随性越好，可能会过拟合
#设置置信区间：interval_width=0.8（默认值）,值越小，上下线的带宽越小。
#指定预测类型： growth='linear'或growth = "logistic" ，默认应该是linear。
#马尔科夫蒙特卡洛取样（MCMC）： mcmc_samples=0,会计算很慢。距离意义不清楚
#设置寻找突变点的比例：changepoint_range=0.9 默认从数据的前90%中寻找异常数据。预测这个正弦曲线，如果不设置changepoint_range=1，预测的结果是不对的，不知道为什么。
m = Prophet(changepoint_prior_scale=0.9,interval_width=0.9,growth='linear',changepoint_range=1)
m.fit(df);
#periods 周期，一般是根据实际意义确定，重点：后续预测的长度是一个周期的长度。
#freq 我见的有‘MS‘、H、M ，预测sin，要设置H ，个人理解数据如果变化很快，要用H
future = m.make_future_dataframe(periods=120, freq='H') #freq=‘MS‘或者H 来设置
future['cap'] = 1 #log预测才用？linear也可以加上。
future['floor'] = -1#log预测才用？linear也可以加上。
#画图
future.tail()
forecast = m.predict(future)
forecast.tail()
fig=m.plot(forecast)
plt.savefig('./out/'+filename+'_1.jpg',dpi=500)
m.plot_components(forecast)
plt.savefig('./out/'+filename+'_2.jpg',dpi=500)
#print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']]) #打印到console
savename='./out/'+filename+"_out.txt"
#forecast.to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的全部列数据
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的指定列的数据
x = forecast['ds']
y = forecast['yhat']
y1 = forecast['yhat_lower']
y2 = forecast['yhat_upper']
plt.plot(x,y)
plt.savefig('./out/'+filename+'_3.jpg',dpi=500)
plt.plot(x,y1)
plt.savefig('./out/'+filename+'_4.jpg',dpi=500)
plt.plot(x,y2)
plt.savefig('./out/'+filename+'_5.jpg',dpi=500)
#plt.show()
#把检测到的突变点，用红色线表示在图上。
a = add_changepoints_to_plot(fig.gca(), m, forecast)
8、测试数据
给出一部分吧，毕竟就是一个sin 函数，excel拉一下就有了，（GitHub 的demo有完整的。）https://github.com/DamonDBT/prophet_sin_demo
| ds | y |
| 2007/12/10 | 0.841471 |
| 2007/12/11 | 0.891207 |
| 2007/12/12 | 0.932039 |
| 2007/12/13 | 0.963558 |
| 2007/12/14 | 0.98545 |
| 2007/12/15 | 0.997495 |
| 2007/12/16 | 0.999574 |
| 2007/12/17 | 0.991665 |
| 2007/12/18 | 0.973848 |
| 2007/12/19 | 0.9463 |
| 2007/12/20 | 0.909297 |
| 2007/12/21 | 0.863209 |
| 2007/12/22 | 0.808496 |
| 2007/12/23 | 0.745705 |
| 2007/12/24 | 0.675463 |
| 2007/12/25 | 0.598472 |
9、附上一些好的博客
https://blog.csdn.net/anshuai_aw1/article/details/83412058#commentBox
https://blog.csdn.net/u010665216/article/details/79216744
https://www.biaodianfu.com/prophet.html
https://www.cnblogs.com/bonelee/p/9577432.html
官网：https://facebook.github.io/prophet/docs/non-daily_data.html#data-with-regular-gaps