Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战

说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取。

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第1张图片 

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第2张图片

1.项目背景

Prophet由facebook开源的基于python和R语言的数据预测工具,基于时间和变量值结合时间序列分解和机器学习的拟合来做的;其强大的对于当变量的预测能力,可以解决大部分的实际场景中的对单项值的预测。在时间序列分析领域,一般会把时间序列拆分成几个部分,分别是S(t)季节项,趋势项T(t),剩余项T(t),一般我们算法模型有两种,加法模型和乘法模型;同时乘法模型我们发现取对后也可以分解成加法模型。

Prophet适用于具有明显的内在规律的商业行为数据,例如:有如下特征的业务问题:

1.有至少几个月(最好是一年)的每小时、每天或每周观察的历史数据;

2.有多种人类规模级别的较强的季节性趋势:每周的一些天和每年的一些时间;

3.有事先知道的以不定期的间隔发生的重要节假日(比如国庆节);

4.缺失的历史数据或较大的异常数据的数量在合理范围内;

5.有历史趋势的变化(比如因为产品发布);

6.对于数据中蕴含的非线性增长的趋势都有一个自然极限或饱和状态。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下:

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第3张图片

数据详情如下(部分展示):

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第4张图片 

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据:

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第5张图片

 

从上图可以看到,总共有9个字段。

关键代码:

3.2缺失值统计

使用Pandas工具的info()方法统计每个特征缺失情况:

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第6张图片

从上图可以看到,数据不存在缺失值,总数据量为355条。

关键代码:

 

3.3描述性统计分析

通过Pandas工具的describe()方法来来统计变量的平均值、标准差、最大值、最小值、分位数等信息:

 Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第7张图片

 关键代码如下:

4.探索性数据分析

4.1 PM2变量时间序列图

用Pandas工具的plot()方法进行统计绘图,如下:

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第8张图片

从图中可以看到,变量PM2在2020年12月20日到2021年2月8日波动性最大;其它时间数值相对稳定。

4.2 PM2变量分布直方图

 Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第9张图片

从图中可以看到,PM2变量成一定的偏态分布。

4.3 相关性分析

通过Pandas工具的corr()方法和seaborn工具的heatmap()方法绘制相关性热力图:

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第10张图片

从图中可以看到,正数为正相关,负数为负相关,绝对值越大相关性越强。

5.特征工程

5.1 构建时间序列数据框

构建只包含PM2和DATE的数据框。关键代码如下:

6.构建Prophet时间序列模型

主要使用Prophet算法,用于时间序列预测与异常值检测。

6.1模型参数

 Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第11张图片

7.模型预测

输出预测结果前5行:

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第12张图片

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第13张图片 其中yhat列为预测值,yhat_lower和yhat_upper为95%置信区间的下边界和上边界预测值。

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第14张图片

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第15张图片 

8.异常值检测

输出异常值的前5行:

 Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第16张图片

从上图可以看出,异常值的数量总共13个。

Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战_第17张图片 

从上图可以看到,阴影部分为95%置信区间的上下边界区域,异常值主要分布在95%置信区间上边界上面。

9.结论与展望

综上所述,本文采用了Prophet时间序列模型,最终证明了我们提出的模型效果良好。

本次机器学习项目实战所需的资料,项目资源如下:

项目说明:
链接:https://pan.baidu.com/s/1dW3S1a6KGdUHK90W-lmA4w 
提取码:bcbp

网盘如果失效,可以添加博主微信:zy10178083

 

你可能感兴趣的:(机器学习,python,python,Prophet时间序列,数据建模,异常值检测,项目实战)