时间序列神器Prophet: 如何实现突变点预测

原创

皮大大

发布于 2024-11-22 13:52:07

15600

代码可运行

文章被收录于专栏：时序预测

运行总次数：0

代码可运行

公众号：尤而小屋编辑：Peter 作者：Peter

大家好，我是Peter~

本文是时间序列预测神器Prophet的第三篇：使用Prophet实现突变点预测

在真实的时间序列数据中常常会出现轨迹的突变点，Prophet会自动检测这些点

导入库

import numpy as np
import pandas as pd
import os
import datetime 
import time
import re
np.random.seed(42)   

import plotly_express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import matplotlib.pyplot as plt
%matplotlib inline
# 设置支持中文字体
plt.rcParams['font.sans-serif'] = ['SimHei'] 
# 设置图像标题字体
plt.rcParams['axes.unicode_minus'] = False
import seaborn as sns
sns.set_theme(style="darkgrid")

import statsmodels.api as sm
import statsmodels.formula.api as smf
from statsmodels.tsa.stattools import adfuller
from sklearn.metrics import r2_score,mean_squared_error,mean_squared_log_error

from prophet import Prophet 

import warnings
warnings.filterwarnings('ignore')

读取数据

读取在线数据：

df = pd.read_csv("https://raw.githubusercontent.com/facebook/prophet/main/examples/example_wp_log_peyton_manning.csv")
# df.to_csv("data.csv",index=False)  # 保存到本地
df

自动预测突变点

默认情况下，只有在时间序列的前80%才会推断出突变点；但是可以通过参数changepoint_range进行设置，例如，Python中的m = Prophet(changepoint_range=0.9)。这意味着将在时间序列的前90%处寻找潜在的突变点。

搭建模型

In 3:

m = Prophet()
m.fit(df)
09:18:15 - cmdstanpy - INFO - Chain [1] start processing
09:18:16 - cmdstanpy - INFO - Chain [1] done processing

Out3:

<prophet.forecaster.Prophet at 0x784fe27ee9e0>

3.2 构建预测数据

In 4:

future = m.make_future_dataframe(periods=365)  # 指定预测一年的数据
future

实施预测过程：

In 5:

forecast = m.predict(future)
forecast.head()

全部字段信息：

In 6:

forecast.columns  # 生成预测数据的全部字段信息

Out6:

Index(['ds', 'trend', 'yhat_lower', 'yhat_upper', 'trend_lower', 'trend_upper',
       'additive_terms', 'additive_terms_lower', 'additive_terms_upper',
       'weekly', 'weekly_lower', 'weekly_upper', 'yearly', 'yearly_lower',
       'yearly_upper', 'multiplicative_terms', 'multiplicative_terms_lower',
       'multiplicative_terms_upper', 'yhat'],
      dtype='object')

3.3 模型可视化

In 7:

from prophet.plot import add_changepoints_to_plot
fig = m.plot(forecast)
a = add_changepoints_to_plot(fig.gca(), m, forecast)

4 调整趋势的灵活性

如果趋势变化出现了过拟合（灵活性过高）或欠拟合（灵活性不足）的情况，你可以通过使用输入参数changepoint_prior_scale来调整稀疏先验的强度。默认情况下，这个参数被设置为0.05，增加它的值会使趋势更加灵活。

In 8:

m = Prophet(changepoint_prior_scale=0.5)  # 默认值
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)

减少这个值，会导致趋势拟合得灵活性降低：

In 9:

m = Prophet(changepoint_prior_scale=0.001)   
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)

增加值的效果：

In 10:

m = Prophet(changepoint_prior_scale=1)   
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)

5 指定突变点位置

除了使用自动变点检测之外，还可以使用changepoints参数手动指定潜在变点的位置。

In 11:

m = Prophet(changepoints=['2014-01-01'])  #  指定突变点的位置
forecast = m.fit(df).predict(future)
fig = m.plot(forecast)

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

机器学习

数据分析

时序预测

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

登录后参与评论

0 条评论

热度