ML 学习站
跳到正文

Prophet 实战

Meta 开源的时序工具, 趋势 + 季节性 + 节假日分解。

40 分钟第 3 / 4 章1,565 字
加载中...

Prophet 是 Meta (Facebook) 于 2017 年开源的时序预测库，因其简单、稳定且对缺失值和异常值鲁棒，成为工业界的事实标准。核心概念包括自动处理多重季节性（年、周、日）和节假日效应，以及无需手动选择参数。读者将学会使用 Prophet 进行时序预测，包括如何处理缺失值和异常值、添加自定义节假日（如春节和双11）以提升预测精度，以及如何调参以优化模型性能。完成学习后，读者能够使用 Prophet 进行高效准确的时序预测，并了解其与 ARIMA、NeuralProphet、DeepAR 和 TFT 等模型的优缺点。

Prophet 实战

Prophet 是 Meta (Facebook) 2017 年开源的时序预测库,工业界的事实标准。比 ARIMA 简单,比深度学习稳定,对缺失值和异常值鲁棒。

为什么选 Prophet

对比 ARIMA:

  • ✅ 不用手动选 p, d, q
  • ✅ 自动处理缺失值、异常值
  • ✅ 多重季节性 (年 + 周 + 日) 一起学
  • ✅ 加节假日效应 (春节、双11)
  • ❌ 不适合 < 1 年的数据 (学不到季节性)
  • ❌ 不能外推"未见过的趋势"

5 行跑通 Prophet

import pandas as pd
from prophet import Prophet

# 1. 准备数据 (Prophet 要求列名是 ds, y)
df = pd.read_csv("sales.csv")
df = df.rename(columns={"date": "ds", "sales": "y"})

# 2. 训练
model = Prophet()
model.fit(df)

# 3. 预测未来 90 天
future = model.make_future_dataframe(periods=90, freq="D")
forecast = model.predict(future)

# 4. 看结果
print(forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail(10))

yhat 是预测值,yhat_lower / yhat_upper 是 95% 置信区间。

可视化

# 1. 预测 + 置信区间
fig1 = model.plot(forecast)
plt.title("Prophet 预测结果")
plt.show()

# 2. 分解: 趋势 / 季节性 / 节假日
fig2 = model.plot_components(forecast)

plot_components 会画出 4 个子图:

  • Trend: 长期趋势 (线性 or 逻辑回归)
  • Yearly: 年季节性 (哪个月份最高)
  • Weekly: 周季节性 (周几最高)
  • Holidays (如果有): 节假日效应

加入节假日:中文场景

中国节假日 (春节、双11) 对销量影响巨大。Prophet 内置了美国 + 部分国际节日,但中国节日需要自己加:

# 自定义节假日
holidays = pd.DataFrame({
    "holiday": "chinese_new_year",
    "ds": pd.to_datetime([
        "2022-02-01", "2023-01-22", "2024-02-10", "2025-01-29",
        "2026-02-17"  # 预测范围内
    ]),
    "lower_window": -7,    # 前后 7 天都受春节影响
    "upper_window": 7,
})

# 双11
double11 = pd.DataFrame({
    "holiday": "double_11",
    "ds": pd.to_datetime([f"{y}-11-11" for y in range(2022, 2027)]),
    "lower_window": 0,
    "upper_window": 3,  # 前后 3 天
})

# 国庆
national_day = pd.DataFrame({
    "holiday": "national_day",
    "ds": pd.to_datetime([f"{y}-10-01" for y in range(2022, 2027)]),
    "lower_window": 0,
    "upper_window": 7,
})

all_holidays = pd.concat([holidays, double11, national_day])

model = Prophet(holidays=all_holidays)
model.fit(df)

处理多重季节性

默认 Prophet 学年 + 周季节性。如果数据有日内小时模式:

# 关闭默认 + 加自定义季节性
model = Prophet(weekly_seasonality=False, yearly_seasonality=True)
model.add_seasonality(name="daily", period=1, fourier_order=8)
model.add_seasonality(name="hourly", period=24, fourier_order=15)

调参:4 个最常用参数

model = Prophet(
    growth="linear",           # "linear" / "logistic" (有上限)
    changepoints=25,           # 自动检测趋势变化的点数
    changepoint_prior_scale=0.05,  # 趋势灵活度, 越大越"跟"数据
    seasonality_prior_scale=10,    # 季节性强弱, 越大越拟合
    holidays_prior_scale=10,
    seasonality_mode="additive"  # "additive" / "multiplicative"
)

调参经验:

  • changepoint_prior_scale 是关键, 太大过拟合, 太小欠拟合
  • 数据有明显上限 (用户量、库存) 用 growth="logistic" + cap
  • 季节性随趋势放大用 multiplicative

调上限的 logistic 增长

df["cap"] = 10000  # 上限

model = Prophet(growth="logistic")
model.fit(df)

future = model.make_future_dataframe(periods=90)
future["cap"] = 10000  # 预测时也要设
forecast = model.predict(future)

评估

from sklearn.metrics import mean_absolute_error, mean_absolute_percentage_error

# 留出最后 30 天评估
train = df[:-30]
test = df[-30:]

model = Prophet()
model.fit(train)

future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)
y_pred = forecast["yhat"].tail(30).values

mae = mean_absolute_error(test["y"], y_pred)
mape = mean_absolute_percentage_error(test["y"], y_pred)
print(f"MAE: {mae:.2f}, MAPE: {mape:.2%}")

典型表现: 日销量数据 MAPE 在 5-15% 之间。

模型保存 + 加载

import pickle

# 保存
with open("prophet_model.pkl", "wb") as f:
    pickle.dump(model, f)

# 加载
with open("prophet_model.pkl", "rb") as f:
    loaded = pickle.load(f)

# 继续预测
future = loaded.make_future_dataframe(periods=30)
forecast = loaded.predict(future)

异常值处理

Prophet 对异常值默认鲁棒,但极端异常还是会影响。如果某天销量突然 10 倍:

# 方法 1: 直接删除异常点
df_clean = df[(df["y"] > df["y"].quantile(0.01)) & (df["y"] < df["y"].quantile(0.99))]

# 方法 2: 设 floor
df["floor"] = 0
model = Prophet(growth="logistic")
model.fit(df)  # 需要 cap + floor 都设

三个替代方案

  1. NeuralProphet (2020): Prophet 的深度学习版, 加了滞后变量、自回归
  2. DeepAR (Amazon): 概率预测, 给出预测分布
  3. TFT (Temporal Fusion Transformer): Google 的注意力时序模型, 长序列效果好

小结

  • Prophet: 工业界时序预测的事实标准, 简单稳定
  • 公式: y(t) = trend + seasonality + holidays + error
  • 必须列名 ds, y, 用 make_future_dataframe 生成预测时间
  • 节假日是核心: 自定义春节/双11 能显著提升 MAPE
  • 调参重点: changepoint_prior_scale (灵活度) + seasonality_mode (加法/乘法)

练习思考

  1. 同一份销售数据, ARIMA 和 Prophet 的 MAPE 差距多少?哪种更好?
  2. 加了"双11"自定义节假日后, 11 月 11 号附近的预测值变化多大?
  3. 用 growth="logistic" 拟合用户量数据, cap 怎么设才合理?

章末小测验

检验你对《Prophet 实战》的掌握程度。

1

Prophet 公式 y(t) = ?

2

Prophet 处理中国春节影响最常用的方法是?

学完这章, 你可能想看

同课程时间序列分析

时序异常检测

滚动 z-score, STL 残差, Isolation Forest 实战。

35 分钟

讨论区(0)

加载评论中...