這篇是學(xué)習(xí)和使用筆記，參考內(nèi)容比較多，沒有很多原創(chuàng)，目的是希望大家快速入手這個包。
fbprophet這個包是facebook開源的時間序列預(yù)測包，因為其優(yōu)良的性能，現(xiàn)在得到了大家的追捧，但是安裝過程實在太多坑。

0.安裝

本人使用mac電腦，因為這個包用到c++的環(huán)境，筆者是死活安裝不成功，然后百度了好多問題無果，最終的解決方案是下面的安裝步驟。

conda install pystan
#將安裝很多依賴，不要用pip裝，一定用conda裝，嫌安裝慢的，可以配置一個國內(nèi)的鏡像安裝源。
#下載最新的prophet包，然后用
pip install fbprophet-0.6.tar.gz

期間如果遇到什么問題，歡迎隨時私信我，這兩步是最重要的。

1.入門

fbprophet完全繼承了sklearn的模式，用fit，predict就可以進行使用。
fbprophet的輸入是一個df，一般只包含兩列第一列是日期，當(dāng)然也可以是小時級別的，第二列就是具體的數(shù)據(jù)，這個包的好處顯而易見，你不用去對數(shù)據(jù)特征進行處理了。
使用流程是：導(dǎo)包—導(dǎo)數(shù)據(jù)—建立一個prophet實例—fit—predict

import pandas as pd
from fbprophet import Prophet
sj = pd.read_excel('/Users/elliot/Desktop/manning.xlsx')
#sj.head(10)
m = Prophet()
m.fit(sj)#去訓(xùn)練
future = m.make_future_dataframe(periods=365)#再現(xiàn)有數(shù)據(jù)的基礎(chǔ)上外推365天
future.tail()
pout = m.predict(future)#去預(yù)測
m.plot_components(pout)#畫出分解圖

2.飽和增長模型

飽和增長是指在資源有限的情況下事物的增長有上限的一種模式，符合大部分事物的發(fā)展規(guī)律，比如一個港口的吞吐量是不可能無限增長的，因為這個增長特征符合邏輯回歸的曲線形式，因此又被成為logsitic模型，業(yè)內(nèi)通常翻譯為阻滯增長模型。
使用飽和增長模型，要在原有df的基礎(chǔ)上新增一列cap，還要指定預(yù)測模型為logstic。

#前邊導(dǎo)包導(dǎo)數(shù)據(jù)都一樣的
sj['cap'] = 15.0
m = Prophet(growth='logistic')
m.fit(sj)
future = m.make_future_dataframe(periods=365)
future['cap'] = 15.0
future.tail()
pout = m.predict(future)
fig = m.plot(pout)

當(dāng)然可以設(shè)置飽和增長的最大值，也可以設(shè)置飽和下降的最小值，看你業(yè)務(wù)需要，去調(diào)整變量名就好了。

3.突變點處理

當(dāng)然了，時間序列不可能是完全平穩(wěn)的，正常數(shù)據(jù)肯定存在突變點的，關(guān)于突變點檢測有很多方法，網(wǎng)上基本都是現(xiàn)成的，比如用統(tǒng)計學(xué)的方法，用zscore，用孤立森林方法或者用其他方法。fbprophet可以自動識別突變點，這一點做得是比較好的。
這里我不想說的太復(fù)雜，簡單說就是：同過changepoint和n_changepoint來指定異常點，如果啥也不給定，模型將從輸入數(shù)據(jù)的前80%中找出25個異常點，怎么找呢，其實就是用了拐點檢測的算法，具體不用搞懂。如果指定了就用你指定的日期作為異常點。
prophet對異常點的處理方法嘛很暴力就是忽略，相當(dāng)于L1正則化，回想一下L1正則化就是將默寫指標(biāo)的權(quán)重設(shè)置為0來防止過擬合嘛。

from fbprophet.plot import add_changepoints_to_plot
fig = m.plot(pout)
a = add_changepoints_to_plot(fig.gca(), m, pout)

圖如下所示：

異常點自動檢測

如果你不想從80%數(shù)據(jù)找異常點咋辦，設(shè)置changepoint_range這個參數(shù)，設(shè)置為0.9。
如果你想調(diào)整預(yù)測結(jié)果的靈活性，你可以設(shè)置changepoint_prior_scale這個參數(shù)，默認是0.05，放大會使預(yù)測結(jié)果范圍更加寬廣。

m = Prophet(changepoint_prior_scale=0.5)
m.fit(sj)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)
fig = m.plot(forecast)

調(diào)整changepoint_prior_scale參數(shù)結(jié)果

4.節(jié)假日效應(yīng)

節(jié)假日是影響數(shù)據(jù)波動的一個重要因素，比如雙十一可以顯著提高銷量，春節(jié)期間則能顯著降低物流量等。所以需要對節(jié)假日進行一個特殊處理。
要想分析節(jié)假日效應(yīng)的話需要新增加一個dataframe，包含節(jié)假期和日期兩個字段，預(yù)測數(shù)據(jù)中也要注明節(jié)假期。當(dāng)然如果節(jié)假日是一個區(qū)間，你可以再dataframe中新增兩列，lower_window 和 upper_window，將節(jié)假日擴展為一個區(qū)間。
建好節(jié)假日的dataframe后，建模的時候傳參進去就可以了，沒啥好說的。

playoffs = pd.DataFrame({
  'holiday': 'playoff',
  'ds': pd.to_datetime(['2008-01-13', '2009-01-03', '2010-01-16',
                        '2010-01-24', '2010-02-07', '2011-01-08',
                        '2013-01-12', '2014-01-12', '2014-01-19',
                        '2014-02-02', '2015-01-11', '2016-01-17',
                        '2016-01-24', '2016-02-07']),
  'lower_window': 0,
  'upper_window': 1,
})
superbowls = pd.DataFrame({
  'holiday': 'superbowl',
  'ds': pd.to_datetime(['2010-02-07', '2014-02-02', '2016-02-07']),
  'lower_window': 0,
  'upper_window': 1,
})
holidays = pd.concat((playoffs, superbowls))
m = Prophet(holidays=holidays)
m.fit(sj)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)
fig = m.plot(forecast)
forecast[(forecast['playoff'] + forecast['superbowl']).abs() > 0][
        ['ds', 'playoff', 'superbowl']][-10:]
fig = m.plot_components(forecast)
from fbprophet.plot import plot_forecast_component
m.plot_forecast_component(forecast, 'superbowl')
#單獨畫出節(jié)假日影響的圖像

如果發(fā)現(xiàn)節(jié)假日被過擬合了，你可以設(shè)置holidays_prior_scale參數(shù)來降低節(jié)假日的影響，這個參數(shù)默認取10，越大節(jié)假日影響越大，越小節(jié)假日影響越小。

5.季節(jié)性趨勢

5.1 加法季節(jié)性

季節(jié)性使用傅里葉級數(shù)的方法進行建模的，這也是為什么fbprophet依賴C++包的原因。
在fbprophet中通過yearly_seasonality來調(diào)整，默認是10，如果季節(jié)性變化更明顯，可以將這個數(shù)值調(diào)整的大一些，比如20。
你也可以通過指定weekly_seasonality和daily_seasonality兩個參數(shù)來指定是否增加周和日的季節(jié)性。當(dāng)然也可以通過add_seasality添加月、周、日甚至小時級別的季節(jié)性，三個參數(shù)，period、fourier_order，即傅里葉級數(shù)和prior_scale，先驗規(guī)模，用來判斷過擬合的。

m = Prophet(weekly_seasonality=False)
m.add_seasonality(name='monthly', period=30.5, fourier_order=5,prior_scale=0.1)
forecast = m.fit(sj).predict(future)
fig = m.plot_components(forecast)

同節(jié)假日相同，如果發(fā)現(xiàn)季節(jié)被過擬合了，可以設(shè)置 seasonality_prior_scale來調(diào)整。

5.2 乘法季節(jié)性

有些時候采用加法季節(jié)性是無效的，比如航空數(shù)據(jù)，有明顯的隨年度增加的趨勢，但季節(jié)變化趨勢也隨著年份的增加發(fā)生了改變，采用傳統(tǒng)的加法模型就不可行了。這時候可以嘗試采用乘法季節(jié)性模型，就是在建模時候增加seasonality_mode='multiplicative'參數(shù)。值得注意的是因為設(shè)置了乘法模型，所以季節(jié)性和節(jié)假日都是乘法的關(guān)系。

m = Prophet(seasonality_mode='multiplicative')
m.fit(df)
forecast = m.predict(future)
fig = m.plot(forecast)
fig = m.plot_components(forecast)

當(dāng)然了你也可以設(shè)置加法或者乘法，比如上述代碼設(shè)置了季節(jié)性為乘法，那么你新增加一個季節(jié)性的時候可以指定是乘法或加法，這種做法就比較靈活。

m = Prophet(seasonality_mode='multiplicative')
m.add_seasonality('quarterly', period=91.25, fourier_order=8, mode='additive')

6.附加回歸量

附加回歸量是說有的因素可能影響預(yù)測結(jié)果，但是這個影響由沒有展現(xiàn)出明顯的年/月/日周期性，這時候可以加一個附加的回歸量。用add_regressor這個方法，在建立預(yù)測模型之后添加，附加回歸量取邏輯值。

def nfl_sunday(ds):
    date = pd.to_datetime(ds)
    if date.weekday() == 6 and (date.month > 8 or date.month < 2):
        return 1
    else:
        return 0
df['nfl_sunday'] = df['ds'].apply(nfl_sunday)
m = Prophet()
m.add_regressor('nfl_sunday')
m.fit(df)
future['nfl_sunday'] = future['ds'].apply(nfl_sunday)
forecast = m.predict(future)
fig = m.plot_components(forecast)

7.預(yù)測區(qū)間

7.1 趨勢不確定性

如果你打印fbprophet的預(yù)測結(jié)果，你會發(fā)現(xiàn)fbprophet是區(qū)間預(yù)測的。因為預(yù)測都是基于歷史數(shù)據(jù)做出的，并且假設(shè)了未來數(shù)據(jù)和歷史數(shù)據(jù)具有相似的變化趨勢，這個假設(shè)可能會導(dǎo)致預(yù)測結(jié)果的不準(zhǔn)確性。fbprophet提供了一個參數(shù)，interval_width，這個參數(shù)默認為0.8，越大則說明未來與歷史變化趨勢更接近。

m = Prophet(interval_width=0.95).fit(df)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)

7.2 季節(jié)不確定性

季節(jié)不確定性通過 mcmc.samples 參數(shù)調(diào)節(jié)，如果大于0做全貝葉斯估計，如果等于0做最大后驗估計。謹慎使用啊，非常慢，cpu帶不動。

m = Prophet(mcmc_samples=500).fit(df)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)

8.異常值

異常值不同于突變點，突變點那是正常波動造成的，異常點是數(shù)據(jù)有錯誤，或者統(tǒng)計口徑發(fā)生了變化導(dǎo)致了數(shù)據(jù)的激增激降。異常值的存在將使得預(yù)測區(qū)間編的非常非常大。
處理異常值的最好辦法就是刪除這個數(shù)據(jù)，prophet依舊會根據(jù)趨勢給出預(yù)測值，這感覺還不錯，怎么刪除呢，df賦值為none就好了，不用多說吧。

9.非日數(shù)據(jù)

有時候我們還需要預(yù)估小時級別的數(shù)據(jù)，這個prophet也是可以處理的，只要你傳參是標(biāo)準(zhǔn)的時間戳格式就可以的，唯一要處理的就是外推數(shù)據(jù)，freq設(shè)置為‘H’。
當(dāng)然月和年的數(shù)據(jù)是類似的，就是設(shè)置freq的問題，其他方法和天級別的預(yù)測相似的。

10.診斷

就是交叉驗證，sklearn里也有交叉驗證，用cross_validation進行。

from fbprophet.diagnostics import cross_validation
df_cv = cross_validation(m, initial='730 days', period='180 days', horizon = '365 days')
#參數(shù)意思是730天做階段，每180天對365天的數(shù)據(jù)做一個交叉驗證，
df_cv.head()

講到這就基本講完了，當(dāng)然對內(nèi)部機理的介紹還是比較少，我們只要會用就好了。