时间序列预测入门到实战七· Prophet让业务同学也能上手本文是「码海寻道」《时间序列预测入门到实战》系列的第 7 篇。上一篇 LightGBM 很强但要造特征、要调参。这一篇的ProphetFacebook/Meta 开源走的是完全相反的路线开箱即用让不懂时序的业务分析师也能出一份像模像样的预测。我们会讲清它凭什么这么省心也会诚实地说明它的天花板在哪。一、Prophet 的模型一个可分解的加法模型还记得第 2 篇的时序分解吗原始 趋势 季节 残差。Prophet 干脆把这个分解直接做成了一个可拟合、可预测的模型y(t) 趋势 g(t) 季节 s(t) 节假日 h(t) 噪声关键区别在于ARIMA 是自回归视角今天由过去决定而 Prophet 是曲线拟合视角把 y 看成时间 t 的函数去拟合这条曲线。这个视角的转变正是它易用的根源——它不要求平稳、不用差分、对缺失和异常都不敏感。二、三大组件趋势 g(t)分段线性或逻辑增长会自动检测变点changepoint——增长速率突然变化的位置模型自己找出来并在那里拐弯。自动检测变点没那么玄。Prophet 的做法很朴素先在时间轴上均匀撒下一堆候选变点默认 25 个允许趋势在每个点上都能改变斜率然后加一道正则约束逼着大多数变点的斜率变化压到接近 0只有真扛得住的地方才留下明显拐弯。于是趋势线就成了几段折线——数据本身想拐的地方才拐。参数changepoint_prior_scale就是这道约束的松紧调大趋势更爱拐更灵活也更容易过拟合调小趋势更硬更平滑。季节 s(t)用傅里叶级数拟合能同时叠加日、周、年多重季节。这是它抓周期的方式比 Holt-Winters 更灵活。傅里叶级数的直觉用几个正弦波拼出任意周期形状。一个纯正弦波太光滑配不上真实季节那种周一陡升、周三平台、周末塌陷的复杂形状。傅里叶级数的办法是叠加一个基频正弦波管大轮廓二倍频、三倍频……的小正弦波管细节褶皱阶数越高能拼出的形状越精细。Prophet 就是让模型去学这几个正弦波各自的振幅把它们加起来就是季节曲线。这也解释了为什么它能同时叠加日/周/年季节——每个周期一组正弦波各拟合各的最后一并相加。阶数由fourier_order控制调高抓得住更尖锐的季节但也更容易过拟合噪声。节假日 h(t)可以显式加入节假日和大促还能设前后影响窗口比如双十一前三天就开始起量。这是 Prophet 在业务场景的杀手锏。三、上手有多快真的就几行而且列名固定要求ds时间和y值fromprophetimportProphet ddf.reset_index()[[date,OT]].rename(columns{date:ds,OT:y})mProphet(daily_seasonalityTrue,weekly_seasonalityTrue)m.add_country_holidays(country_nameCN)# 一行加入中国节假日m.fit(d.iloc[:14000])futurem.make_future_dataframe(periods24,freqh)forecastm.predict(future)# 含 yhat 及置信区间 yhat_lower/upperm.plot_components(forecast)# 画出趋势/季节/节假日分量天然可解释plot_components这张图是 Prophet 的招牌——它把预测拆开给你看趋势往哪走、周几最高、哪个节假日抬升最大。业务同学看得懂这在汇报时价值极高。想加入外部变量比如温度、促销力度也简单m.add_regressor(temp)。四、它的天花板说点实话Prophet 好用但别神化。作为技术人你得清楚它的边界不建模自相关它本质是曲线拟合不像 ARIMA 那样利用昨天的残差。所以在高频、短期预测上精度常常打不过 ARIMA 和 LightGBM单序列模型没有第 6 篇那种全局模型的规模化能力弱在多变量交互协变量只能线性叠加抓不住复杂交互热度在退这几年它的光环褪色不少Meta 自己都推出了继任者NeuralProphet把 Prophet 的可分解结构和神经网络结合。参考量级在 ETTh1 这种高频、弱季节的数据上Prophet 未必比 ARIMA 好但换到日/周级、有强年季节 节假日的业务数据电商日销、门店客流它往往又快又稳又可解释是极好的基线模型。五、什么时候该用 Prophet一句话判断当快速拿到一个可解释的基线比榨干最后几个点的精度更重要时用它。典型适用日/周级业务数据有明显的季节和节假日效应团队里没有时序专家要让业务/分析师自助出预测需要向非技术方解释为什么这么预测。不适合高频数据、追求极致精度、强非线性多变量场景——那是后面深度学习的地盘。小结Prophet 可分解加法模型趋势 季节 节假日曲线拟合视角不用平稳、不用差分三大组件自动变点的趋势、傅里叶季节、可带窗口的节假日优点是开箱即用、少调参、强可解释、自带区间天花板是不建模自相关、单序列、弱交互高频短期精度一般定位是快速、可解释的业务基线不是精度冠军。到这里统计和机器学习两大流派全部讲完。从下一篇开始我们正式踏入深度学习的世界——第一站是让网络拥有记忆的RNN / LSTM / GRU。思考题Prophet 把 y 看作时间 t 的函数来拟合曲线这意味着预测 100 步和预测 1 步对它来说难度几乎一样。这是优点还是缺点提示想想它完全没利用最近一个真实值这个最强信号。机器学习篇收官。下一篇带你进入深度学习看 RNN / LSTM / GRU 如何用记忆重新定义时序建模。
时间序列预测入门到实战七· Prophet让业务同学也能上手本文是「码海寻道」《时间序列预测入门到实战》系列的第 7 篇。上一篇 LightGBM 很强但要造特征、要调参。这一篇的ProphetFacebook/Meta 开源走的是完全相反的路线开箱即用让不懂时序的业务分析师也能出一份像模像样的预测。我们会讲清它凭什么这么省心也会诚实地说明它的天花板在哪。一、Prophet 的模型一个可分解的加法模型还记得第 2 篇的时序分解吗原始 趋势 季节 残差。Prophet 干脆把这个分解直接做成了一个可拟合、可预测的模型y(t) 趋势 g(t) 季节 s(t) 节假日 h(t) 噪声关键区别在于ARIMA 是自回归视角今天由过去决定而 Prophet 是曲线拟合视角把 y 看成时间 t 的函数去拟合这条曲线。这个视角的转变正是它易用的根源——它不要求平稳、不用差分、对缺失和异常都不敏感。二、三大组件趋势 g(t)分段线性或逻辑增长会自动检测变点changepoint——增长速率突然变化的位置模型自己找出来并在那里拐弯。自动检测变点没那么玄。Prophet 的做法很朴素先在时间轴上均匀撒下一堆候选变点默认 25 个允许趋势在每个点上都能改变斜率然后加一道正则约束逼着大多数变点的斜率变化压到接近 0只有真扛得住的地方才留下明显拐弯。于是趋势线就成了几段折线——数据本身想拐的地方才拐。参数changepoint_prior_scale就是这道约束的松紧调大趋势更爱拐更灵活也更容易过拟合调小趋势更硬更平滑。季节 s(t)用傅里叶级数拟合能同时叠加日、周、年多重季节。这是它抓周期的方式比 Holt-Winters 更灵活。傅里叶级数的直觉用几个正弦波拼出任意周期形状。一个纯正弦波太光滑配不上真实季节那种周一陡升、周三平台、周末塌陷的复杂形状。傅里叶级数的办法是叠加一个基频正弦波管大轮廓二倍频、三倍频……的小正弦波管细节褶皱阶数越高能拼出的形状越精细。Prophet 就是让模型去学这几个正弦波各自的振幅把它们加起来就是季节曲线。这也解释了为什么它能同时叠加日/周/年季节——每个周期一组正弦波各拟合各的最后一并相加。阶数由fourier_order控制调高抓得住更尖锐的季节但也更容易过拟合噪声。节假日 h(t)可以显式加入节假日和大促还能设前后影响窗口比如双十一前三天就开始起量。这是 Prophet 在业务场景的杀手锏。三、上手有多快真的就几行而且列名固定要求ds时间和y值fromprophetimportProphet ddf.reset_index()[[date,OT]].rename(columns{date:ds,OT:y})mProphet(daily_seasonalityTrue,weekly_seasonalityTrue)m.add_country_holidays(country_nameCN)# 一行加入中国节假日m.fit(d.iloc[:14000])futurem.make_future_dataframe(periods24,freqh)forecastm.predict(future)# 含 yhat 及置信区间 yhat_lower/upperm.plot_components(forecast)# 画出趋势/季节/节假日分量天然可解释plot_components这张图是 Prophet 的招牌——它把预测拆开给你看趋势往哪走、周几最高、哪个节假日抬升最大。业务同学看得懂这在汇报时价值极高。想加入外部变量比如温度、促销力度也简单m.add_regressor(temp)。四、它的天花板说点实话Prophet 好用但别神化。作为技术人你得清楚它的边界不建模自相关它本质是曲线拟合不像 ARIMA 那样利用昨天的残差。所以在高频、短期预测上精度常常打不过 ARIMA 和 LightGBM单序列模型没有第 6 篇那种全局模型的规模化能力弱在多变量交互协变量只能线性叠加抓不住复杂交互热度在退这几年它的光环褪色不少Meta 自己都推出了继任者NeuralProphet把 Prophet 的可分解结构和神经网络结合。参考量级在 ETTh1 这种高频、弱季节的数据上Prophet 未必比 ARIMA 好但换到日/周级、有强年季节 节假日的业务数据电商日销、门店客流它往往又快又稳又可解释是极好的基线模型。五、什么时候该用 Prophet一句话判断当快速拿到一个可解释的基线比榨干最后几个点的精度更重要时用它。典型适用日/周级业务数据有明显的季节和节假日效应团队里没有时序专家要让业务/分析师自助出预测需要向非技术方解释为什么这么预测。不适合高频数据、追求极致精度、强非线性多变量场景——那是后面深度学习的地盘。小结Prophet 可分解加法模型趋势 季节 节假日曲线拟合视角不用平稳、不用差分三大组件自动变点的趋势、傅里叶季节、可带窗口的节假日优点是开箱即用、少调参、强可解释、自带区间天花板是不建模自相关、单序列、弱交互高频短期精度一般定位是快速、可解释的业务基线不是精度冠军。到这里统计和机器学习两大流派全部讲完。从下一篇开始我们正式踏入深度学习的世界——第一站是让网络拥有记忆的RNN / LSTM / GRU。思考题Prophet 把 y 看作时间 t 的函数来拟合曲线这意味着预测 100 步和预测 1 步对它来说难度几乎一样。这是优点还是缺点提示想想它完全没利用最近一个真实值这个最强信号。机器学习篇收官。下一篇带你进入深度学习看 RNN / LSTM / GRU 如何用记忆重新定义时序建模。
