使用prophet庫分析航空出行人次規律

語言: CN / TW / HK

時間 2019-12-14 09:56:58 大鄧和他的Python

Author: Greg Rafferty Title: Forecasting in Python with Facebook Prophet-How to tune and optimize Prophet using domain knowledge to add greater control to your forecasts. Site https://towardsdatascience.com/forecasting-in-python-with-facebook-prophet-29810eb57e66

網路上有很多prophet教程，但大多都比較膚淺，沒有教程教我們如何優化Prophet模型，也沒有說清楚如何結合分析師經驗進行分析預測。在本篇教程中，我試圖在這兩個問題上多下點功夫。

之前我分享過用ARIMA演算法來預測美國商業飛行市場乘客數。ARIMA能很好的預測短期趨勢，但是Facebook的工程師構建的Prophet框架還能做ARIMA做不了的事情。Prophet底層是STAN語言，這是一種概率程式語言。這使Prophet具有貝葉斯統計提供的許多優勢，包括季節性，領域知識的和使用置信區間來進行風險估計。

安裝

文章末尾會有jupyter notebook下載方式

航空乘客資料集

prophet需要傳入的時間序列資料有兩個欄位

ds 日期
y 所在日期對應的值

簡單的繪圖，趨勢是上升的，我們想了解更多，這裡就需要用到prophet庫。

Prophet引數解讀

這裡看不懂可以先跳過去，之後看到實際例子再回來瞅瞅

growth: 趨勢預設為線性增長'linear', 還有 'logistic'
changepoints : 預設不指定改變點，prophet會根據趨勢自動搜尋潛在的改變點
n_ changepoints :如果changepoints設定了，該引數不起作用；如果changepoints沒有設定，那麼改變點將在changepoint range範圍內搜尋。預設設定為25
changepoint_range : 範圍0-1，表示改變點落在趨勢中的可能的範圍。
yearly_seasonality : 即資料存在年度週期性變化，擬合年度趨勢。引數有'auto', 引數有'auto'、True和False
weekly_seasonality : 同上，擬合周度趨勢，預設為auto, 引數有'auto'、True和False
daily_seasonality: 同上，擬合日度趨勢，預設為auto, 引數有'auto'、True和False
holidays ：預設為None，如果要指定傳入節假日資料，資料格式為dataframe，有兩個指定的欄位holiday和ds，其中holiday列的資料為字串， ds列為date資料型別
seasonality_mode : 趨勢模式有'additive'和'multiplicative'，預設為加法'additive'
seasonality_ prior_ scale : 趨勢縮放係數，如果該引數大，會讓後續趨勢波動變大。如果係數較小，會抑制趨勢甚至熨平趨勢。預設引數設定為10
holiday_ prior_ scale : 類似於seasonality prior scale引數的作用，主要用於解釋節假日對趨勢波動幅度起到熨平或者加**動強度對作用。預設也是10
changepoint_ prior_ scale ：類似於seasonality prior scale引數的作用，主要用於解釋改變點對趨勢波動幅度起到熨平或者加**動強度對作用。預設是0.05
mcmc_samples ：引數為整數。如果大於0，模型使用貝葉斯推斷；如果設定為0，使用最大後驗概率估計（MAP）
interval_ width ：浮點數型別，為預測提供不確定性區間的寬度。如果mcmc samples = 0，則模型使只使用MAP估計得出的趨勢中的不確定性；如果mcmc.samples> 0，則將對所有模型引數進行積分，其中將包括季節性不確定性。
uncertainty_samples ：用於估計不確定性間隔的模擬次數，預設為1000