用Prophet在Python中進行時間序列預測

原文連接：http://tecdat.cn/?p=7692

預測一般被認爲是報告的天然發展。報告能夠幫助咱們回答，_發生了什麼事？_預測有助於回答下一個邏輯問題，_將會發生什麼？_

Prophet的目的是「使專家和非專家能夠更輕鬆地進行符合需求的高質量預測。 

 您將學習如何使用Prophet（在Python中）解決一個常見問題：預測下一年公司的每日訂單。 

數據準備與探索

Prophet最適合每日按期數據以及至少一年的歷史數據。 咱們將使用SQL處理天天要預測的數據：

**select**date,**value****from**modeanalytics.daily_orders**order****by**date

如今，咱們天天都有數據，咱們能夠將SQL查詢結果集經過管道傳遞到Python筆記本中的pandas dataframe對象中。首先，將您的SQL查詢重命名爲Daily Orders。而後，在Python筆記本中，咱們可使用如下語句將查詢結果集經過管道傳遞到數據框df：

df = datasets["Daily Orders"]

爲了快速瞭解您的數據框包含多少個觀測值，能夠運行如下語句，該語句將返回一個元組，分別包含數據框中的行數和列數：

**df**.shape

先知老是指望輸入DataFrame中有兩列：ds和y。該ds列表示SQL查詢中的日期 。 要檢查DataFrame中列的類型，能夠在Python筆記本中運行如下語句：

**df**.dtypes

一旦確認數據框中的列是正確的數據類型，就能夠ds在數據框中建立一個新列，該date列是該列的徹底相同的副本，也能夠建立一個新列，該列是該列y的徹底相同的副本value：

df['ds'] = df['date'] df['y'] = df['value']

而後，您能夠從新調整該date列的用途，以用做數據框的索引：

df.set_index('date')

這會將您的數據框的索引轉換爲DatetimeIndex，這使熊貓可以將此數據集解釋爲_Time Series_。

如今您已經準備好要與Prophet一塊兒使用的數據，在將數據輸入到Prophet中以前，將其做圖並檢查數據的外觀是個好習慣。 

 

Box-Cox變換

一般在預測中，您會明確選擇一種特定類型的冪變換，以將其應用於數據以消除噪聲，而後再將數據輸入到預測模型中（例如，對數變換或平方根變換等）。可是，有時可能難以肯定哪一種功率變換適合您的數據。

Box-Cox變換是一種數據變換，用於評估一組Lambda係數（λ）並選擇可實現最佳正態性近似值的值。

**from**scipy.stats**import**boxcox

該boxcox方法須要一個輸入：要轉換的一維正數據數組。您也能夠選擇指定要用於轉換的λ值（例如，對數轉換的λ= 0）。不然，該boxcox方法將找到使對數似然函數最大化的λ並將其做爲第二個輸出參數返回。

對於咱們的示例，咱們將讓該boxcox方法肯定用於變換的最佳λ，並將該值返回給名爲lam的變量：

# Apply Box-Cox Transform to value column and assign to new column ydf['y'], lam = boxcox(df['value'])

若是咱們將新轉換的數據與未轉換的數據一塊兒繪製，則能夠看到Box-Cox轉換可以消除隨着時間變化而觀察到的許多增長的方差：

預測

使用Prophet建立預測的第一步是將fbprophet庫導入到咱們的Python筆記本中：

**import**fbprophet

將Prophet庫導入筆記本後，咱們能夠從 Prophet對象（建立實例）開始：

m = fbprophet.Prophet()

實例化Prophet對象後，就能夠將模型擬合到歷史數據中了。您能夠經過fit在Prophet對象上調用方法並傳入數據框來實現此目的：

使用Prophet經過Box-Cox轉換的數據集擬合模型後，如今就能夠開始對將來日期進行預測。 

如今，咱們可使用該predict方法對將來數據幀中的每一行進行預測。

此時，Prophet將建立一個分配給`變量的新數據框，其中包含該列下將來日期的預測值
`yhat以及不肯定性間隔和預測的組成部分。咱們可使用Prophet的內置plot幫助器功能將預測可視化：在咱們的示例中，咱們的預測以下所示：

若是要可視化各個預測組件，則可使用Prophet的內置plot_components方法：plot_components在咱們的示例數據上運行將返回如下一組組件可視化：

預測和組件可視化顯示，Prophet可以準確地建模數據中的潛在趨勢，同時還能夠精確地建模每週和每一年的季節性（例如，週末和節假日的訂單量較低）。

逆Box-Cox變換

因爲先知用於Box-Cox轉換後的數據，所以您須要將預測值轉換回其原始單位。要將新的預測值轉換回其原始單位，您將須要執行Box-Cox逆轉換。

 該inv_boxcox方法有兩個必需的輸入。要轉換的數據數組和轉換的λ值。咱們將對預測數據幀中的特定列進行逆變換，並提供先前從存儲在lam變量中的第一個Box-Cox變換中得到的λ值：

如今，您已將預測值轉換回其原始單位，如今能夠將預測值與歷史值一塊兒可視化：