文中内容仅限技术学习与代码实践参考，市场存在不确定性，技术分析需谨慎验证，不构成任何投资建议。
Prophet 是一种基于加法模型的时间序列数据预测程序，在该模型中，非线性趋势与年、周、日季节性以及节假日效应相匹配。它最适用于具有强烈季节效应和多季历史数据的时间序列。先知对缺失数据和趋势变化具有很强的鲁棒性，通常能很好地处理异常值。
Prophet 是 Facebook 核心数据科学团队发布的开源软件。
快速开始
Python API
Prophet 遵循 sklearn 的模型 API。我们创建一个 Prophet 类的实例，然后调用它的 fit 和 predict 方法。
Prophet 的输入总是一个包含两列的数据框：ds 和 y。ds（日期戳）列应为 Pandas 期望的格式，理想情况下是日期的 YYYY-MM-DD 或时间戳的 YYYY-MM-DD HH:MM:SS。y 列必须是数值型，表示我们希望预测的测量值。
举个例子，我们来看 Peyton Manning 维基百科页面的每日浏览量的对数时间序列。我们使用 R 中的 Wikipediatrend 包抓取这些数据。Peyton Manning 提供了一个很好的示例，因为它展示了 Prophet 的一些特性，例如多重季节性、变化的增长率以及建模特殊日期（如 Manning 的季后赛和超级碗出场）的能力。CSV 文件可在此处获取。
首先，我们导入数据：
python
# Python
import pandas as pd
from prophet import Prophet
Python
# Python
df = pd.read_csv('https://raw.githubusercontent.com/facebook/prophet/main/examples/example_wp_log_peyton_manning.csv')
df.head()| DS | Y | |
|---|---|---|
| 0 | 2007-12-10 | 9.590761 |
| 1 | 2007-12-11 | 8.519590 |
| 2 | 2007-12-12 | 8.183677 |
| 3 | 2007-12-13 | 8.072467 |
| 4 | 2007-12-14 | 7.893572 |
我们通过实例化一个新的 Prophet 对象来拟合模型。任何预测过程的设置都传递给构造函数。然后调用其 fit 方法并传入历史数据框。拟合应耗时 1-5 秒。
Python
# Python
m = Prophet()
m.fit(df)预测是在具有包含待预测日期的 ds 列的数据框上进行的。您可以使用辅助方法 Prophet.make_future_dataframe 获取一个扩展到未来指定天数的合适数据框。默认情况下，它还将包括历史日期，因此我们将看到模型拟合情况。
Python
# Python
future = m.make_future_dataframe(periods=365)
future.tail()| DS | |
|---|---|
| 3265 | 2017-01-15 |
| 3266 | 2017-01-16 |
| 3267 | 2017-01-17 |
| 3268 | 2017-01-18 |
| 3269 | 2017-01-19 |
predict 方法将为 future 中的每一行分配一个预测值，该值被命名为 yhat。如果您传入历史日期，它将提供样本内拟合。这里的 forecast 对象是一个新的数据框，包括带有预测的 yhat 列，以及组件和不确定性区间的列。
Python
# Python
forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()| DS | YHAT | YHAT_LOWER | YHAT_UPPER | |
|---|---|---|---|---|
| 3265 | 2017-01-15 | 8.212625 | 7.456310 | 8.959726 |
| 3266 | 2017-01-16 | 8.537635 | 7.842986 | 9.290934 |
| 3267 | 2017-01-17 | 8.325071 | 7.600879 | 9.072006 |
| 3268 | 2017-01-18 | 8.157723 | 7.512052 | 8.924022 |
| 3269 | 2017-01-19 | 8.169677 | 7.412473 | 8.946977 |
您可以通过调用 Prophet.plot 方法并传入预测数据框来绘制预测图。
Python
# Python
fig1 = m.plot(forecast)
如果您想查看预测组件，可以使用 Prophet.plot_components 方法。默认情况下，您将看到时间序列的趋势、年度季节性和周季节性。如果您包括节假日，您也会在这里看到它们。
Python
# Python
fig2 = m.plot_components(forecast)
可以使用 plotly 创建预测和组件的交互式图表。您需要单独安装 plotly 4.0 或更高版本，因为它不会默认随 prophet 安装。您还需要安装 notebook 和 ipywidgets 包。
Python
# Python
from prophet.plot import plot_plotly, plot_components_plotly
plot_plotly(m, forecast)
Python
# Python
plot_components_plotly(m, forecast)每个方法可用选项的更多详细信息可在文档字符串中找到，例如，通过 help(Prophet) 或 help(Prophet.fit)。
R API
在 R 中，我们使用常规的模型拟合 API。我们提供了一个执行拟合并返回模型对象的 prophet 函数。然后您可以在此模型对象上调用 predict 和 plot。
R
# R
library(prophet)
R
R[write to console]: Loading required package: Rcpp
R[write to console]: Loading required package: rlang首先，我们读取数据并创建结果变量。与 Python API 一样，这是一个具有 ds 和 y 列的数据框，分别包含日期和数值。ds 列应为日期的 YYYY-MM-DD 或时间戳的 YYYY-MM-DD HH:MM:SS。如上所述，我们在这里使用 Peyton Manning 维基百科页面的对数浏览量，可在此处获取。
R
# R
df <- read.csv('https://raw.githubusercontent.com/facebook/prophet/main/examples/example_wp_log_peyton_manning.csv')我们调用 prophet 函数来拟合模型。第一个参数是历史数据框。其他参数控制 Prophet 如何拟合数据，并在本文档的后续页面中描述。
R
# R
m <- prophet(df)预测是在具有包含待预测日期的 ds 列的数据框上进行的。make_future_dataframe 函数接受模型对象和要预测的周期数，并生成一个合适的数据框。默认情况下，它还将包括历史日期，以便我们可以评估样本内拟合。
R
# R
future <- make_future_dataframe(m, periods = 365)
tail(future)
text
ds
3265 2017-01-14
3266 2017-01-15
3267 2017-01-16
3268 2017-01-17
3269 2017-01-18
3270 2017-01-19与 R 中的大多数建模过程一样，我们使用通用的 predict 函数来获取我们的预测。forecast 对象是一个包含预测值 yhat 列的数据框。它具有用于不确定性区间和季节性组件的附加列。
R
# R
forecast <- predict(m, future)
tail(forecast[c('ds', 'yhat', 'yhat_lower', 'yhat_upper')])
text
ds yhat yhat_lower yhat_upper
3265 2017-01-14 7.818359 7.071228 8.550957
3266 2017-01-15 8.200125 7.475725 8.869495
3267 2017-01-16 8.525104 7.747071 9.226915
3268 2017-01-17 8.312482 7.551904 9.046774
3269 2017-01-18 8.145098 7.390770 8.863692
3270 2017-01-19 8.156964 7.381716 8.866507您可以使用通用的 plot 函数通过传入模型和预测数据框来绘制预测图。
R
# R
plot(m, forecast)
您可以使用 prophet_plot_components 函数将预测分解为趋势、周季节性和年度季节性。
R
# R
prophet_plot_components(m, forecast)
可以使用命令 dyplot.prophet(m, forecast) 使用 Dygraphs 创建预测的交互式图表。
每个方法可用选项的更多详细信息可在文档字符串中找到，例如，通过 ?prophet 或 ?fit.prophet。该文档也可在 CRAN 上的参考手册中找到。
风险提示与免责声明
本文内容基于公开信息研究整理，不构成任何形式的投资建议。历史表现不应作为未来收益保证，市场存在不可预见的波动风险。投资者需结合自身财务状况及风险承受能力独立决策，并自行承担交易结果。作者及发布方不对任何依据本文操作导致的损失承担法律责任。市场有风险，投资须谨慎。