既然是玩轉，就得easy，在通俗搞懂核心原理的基礎上，重在實踐。

本文首先介紹Prophet模型基本使用，再介紹一個開箱即用的開源專案--Streamlit_prophet，進一步降低Prophet使用門檻（甚至給運營、業務都會用~）

簡介

時間序列受4種成分影響： - 趨勢：巨集觀、長期、持續性的作用力 - 週期：比如商品價格在較短時間內，圍繞某個均值上下波動； - 季節：變化規律相對固定，並呈現某種週期特徵；“季節”不一定按年計，每週、每天的不同時段的規律，也可稱作季節性。 - 隨機：隨機的不確定性，也就是指隨機過程 (Stochastic Process）。

4種成分疊加起來就是對整個時序的影響，有加法模型和乘法模型： - 加法模型：相對獨立，4個成分間的影響較小； - 乘法模型：相互影響更明顯；

之前時序文章介紹了AR、MA、ARIMA等傳統的時序模型，但用起來較麻煩，需要不斷調整d\p\q三個引數，雖然可以通過“無腦”隨機搜尋交叉驗證找出合適的引數，但並不絲滑，就算是優秀的資料分析師都會感覺頭皮發麻~（哈哈哈，大佬勿噴）

Prophet，就是為上述場景量身定製的，直接通過引數去調整4種成分，簡單易用，效果拉滿（閃亮登場~）。

Prophet使用

1、安裝

這裡的坑比較多（win下安裝），網上也有很多爬坑記錄，但有一種最簡單的方式--conda安裝： shell conda install pystan conda install prophet

2、使用

基本用法

和scikit-learn的用法風格類似： ```python from prophet import Prophet import pandas as pd

df = pd.read_csv('example_wp_log_peyton_manning.csv')

0、基本方法

建立預測器，擬合數據

m = Prophet() m.fit(df)

設定預測框

future = m.make_future_dataframe(periods=365) future.tail()

對未來時間點進行預測，預測給出預測值和置信區間

forecast = m.predict(future) forecast[['ds','yhat','yhat_lower','yhat_upper']].tail()

畫圖

fig1 = m.plot(forecast)

畫出分量圖

fig2 = m.plot_components(forecast) ```

引入假期因子

```python

1、對【假期和特別活動】進行建模

通過 holidays 引數，將假期因素加入模型

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))

傳入假期時間構建預測器

m = Prophet(holidays=holidays) forecast = m.fit(df).predict(future) fig = m.plot_components(forecast) ```

引入法定節假日因子

```python

2、另外引入【法定節假日】，加入模型（通過add_country_holidays方法）

m = Prophet(holidays=holidays) m.add_country_holidays(country_name='US') # CN ：中國法定節假日 m.fit(df)

forecast = m.predict(future) fig = m.plot_components(forecast) ```

季節性調整

使用“部分傅立葉和"來估計季節性： ```python

3、更改年季節性引數

年季節性，預設是10；周季節性，預設是3

增加傅立葉項的數量可以使季節性適應更快的變化週期，但也可能導致過度擬合

from prophet.plot import plot_yearly m = Prophet(yearly_seasonality=20).fit(df) a = plot_yearly(m) Prophet預設：【每週】和【每年】的季節性，可以使用 add_seasonality方法新增其他季節性，比如每月、每季度、每小時：

4、指定自定義季節性

關閉周季節性，加入月季節性

m = Prophet(weekly_seasonality=False) m.add_seasonality(name='monthly', period=30.5, fourier_order=5) forecast = m.fit(df).predict(future) fig = m.plot_components(forecast) 如果發現假期效應過擬合了，可以通過holidays_prior_scale引數調整(預設是10)，降低該引數會減弱假期效應；seasonality_prior_scale，季節效應同理python m = Prophet(holidays=holidays, holidays_prior_scale=0.05).fit(df) forecast = m.predict(future) forecast[(forecast['playoff'] + forecast['superbowl']).abs() > 0][ ['ds', 'playoff', 'superbowl']][-10:] ``` 還有其他用法，不多介紹，可參考個人github上的程式碼示例，示例來源於Prophet官方文件。

Streamlit_prophet部署

開源專案官方介紹：

Deploy a Streamlit app to train, evaluate and optimize a Prophet forecasting model visually.

可知，streamlit_prophet是構建在streamlit上、基於prophet時序預測模型的應用。。看官方視訊介紹，感覺很好用，跑起來~

1、部署

和本地安裝prophet一樣，坑很多，但還是基於conda去安裝就行。

建立虛擬環境：

shell conda create -n streamlit_prophet python=3.8 activate streamlit_prophet

安裝streamlit_prophet：

```shell conda install pystan

pip install -U streamlit_prophet

啟動服務

streamlit_prophet deploy dashboard ``` 本地訪問：http://127.0.0.1:8080/ ，瀏覽器看到如下介面即說明部署成功~

2、使用介紹

官方自帶了一些資料示例，能快速上手；遺憾的是，我們使用只能上傳csv檔案資料（限制了最大200M），不能直連數倉資料。

對於資料列有選擇、過濾、抽樣、清洗模組：

調整潛在拐點、季節、節假日效應引數：

模型驗證、預測：

3、模型結果

點選左上角執行預測選項，開始模型預測，左側引數調整了，模型會自動重跑：

模型效能指標：

模型錯誤分析，第二個圖中，離紅線越遠的點，預測誤差越離譜（便於後續模型調整，誤差最大時間點，是否考慮剔除異常資料）：

藍色陰影是模型預測結果的置信區間（80%），紅線是模型估計的趨勢：

更多細節需要小夥伴們自己去嘗試~這裡不一一展示

小結

Streamlit_prophet是一個能大大簡化時序預測的優秀資料產品，對於資料分析師來說非常友好，但最大缺點是不能直連數倉進行預測，有些遺憾~（看開發者後續會不會考慮接入吧）。

但想要用好這類產品（不限於此產品），核心還是在於瞭解業務、深入理解時序模型、Prophet建模方法。

---

參考： 1. https://github.com/artefactory/streamlit_prophet 2. https://facebook.github.io/prophet/docs/quick_start.html#python-api 3. https://github.com/xihuishawpy/little_demo/tree/main/Prophet

---

歡迎關注個人公眾號：DS數說