prophet Trend Changepoints趋势变化点
prophet Trend Changepoints趋势变化点
一、例子代码
https://github.com/lilihongjava/prophet_demo/tree/master/trend_changepoints
# encoding: utf-8
import pandas as pd
from fbprophet import Prophet
from pandas.plotting import register_matplotlib_converters
from fbprophet.plot import add_changepoints_to_plot
from matplotlib import pyplot as plt
def main():
df = pd.read_csv('./data/example_wp_log_peyton_manning.csv')
m = Prophet()
m.fit(df)
future = m.make_future_dataframe(periods=366)
forecast = m.predict(future)
fig = m.plot(forecast)
for cp in m.changepoints:
print(cp)
plt.axvline(cp, c='gray', ls='--', lw=2)
plt.show()
deltas = m.params['delta'].mean(0)
fig = plt.figure(facecolor='w', figsize=(10, 6))
ax = fig.add_subplot(111)
ax.bar(range(len(deltas)), deltas, facecolor='#0072B2', edgecolor='#0072B2')
ax.grid(True, which='major', c='gray', ls='-', lw=1, alpha=0.2)
ax.set_ylabel('Rate change')
ax.set_xlabel('Potential changepoint')
fig.tight_layout()
fig.show()
fig = m.plot(forecast)
a = add_changepoints_to_plot(fig.gca(), m, forecast)
fig.show()
m = Prophet(changepoint_prior_scale=0.5)
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)
fig.show()
m = Prophet(changepoint_prior_scale=0.001)
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)
fig.show()
m = Prophet(changepoints=['2014-01-01'])
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)
fig.show()
if __name__ == "__main__":
main()趋势变化点
在本系统文档的之前示例中，你可能已经注意到，时间序列经常会在其轨迹中发生突然变化。默认情况下，Prophet将自动检测这些变化点，并允许适当调整。但是，如果你希望更好地控制此过程（例如，Prophet忽略了一个趋势速率变化，或者在历史数据中的速率变化过拟合），那么你可以使用以下几个输入参数。
二、Prophet中的自动变化点检测
Prophet 首先指定大量可以更改速率的潜在变更点来检测变化点。然后它在速率变化的幅度上进行稀疏先验（相当于L1正则化） - 这实质上意味着Prophet 有大量可能发生变化的地方，但尽可能少地使用它们。以下使用快速入门中的Peyton Manning维基页面访问数预测的例子。默认情况下，Prophet指定25个潜在变化点，这些变化更点均匀放置在前80％的时间序列中。此图中的垂直线表示潜在变化点的放置位置：
尽管我们有很多地方速率可能会改变，但由于稀疏先验，大多数这些变化点都未被使用。我们可以通过绘制每个变化点的速率变化幅度来看到这一点：
可以使用参数n_changepoints设置潜在变更点的数量，但通过调整正则化可以更好地进行调整。可以通过以下方式显示表示变更点的位置：
# Python
from fbprophet.plot import add_changepoints_to_plot
fig = m.plot(forecast)
a = add_changepoints_to_plot(fig.gca(), m, forecast)
默认情况下，只有前80%的时间序列才会推断出变化点，以便有足够的跑道来预测趋势的前进方向，并避免在时间序列结束时过度拟合波动。此默认值适用于许多情况，但不适用于所有情况，可以使用changepoint_range参数进行更改。例如，在python通过m = Prophet(changepoint_range=0.9) 或者在R语言中通过m <- prophet(changepoint.range = 0.9)，来将潜在的变化点放在时间序列前90％中。
三、调整趋势灵活性
如果趋势变化过度拟合（灵活性太大）或不足（灵活性不够），可以使用输入参数changepoint_prior_scale调整稀疏先验的强度。默认情况下，此参数设置为0.05。增加它将使趋势更加灵活：
# Python
m = Prophet(changepoint_prior_scale=0.5)
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)
减少它会使趋势不那么灵活：
# Python
m = Prophet(changepoint_prior_scale=0.001)
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)
四、指定变化点的位置
如果愿意，可以使用changepoints参数手动指定潜在变化点的位置，而不是使用自动变化点检测。然后只允许在这些点上进行斜度变化，并像以前一样进行稀疏正则化。例如，可以像自动创建那样创建一个点网格，但随后用一些已知可能有变化的特定日期来扩充该网格。作为另一个例子，变化点可以完全限于一小组日期，如下所示：
# Python
m = Prophet(changepoints=['2014-01-01'])
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)
参考资料：
https://facebook.github.io/prophet/docs/trend_changepoints.html
腾讯云开发者
