4 代码实践

我们使用沃尔玛股票的历史数据来进行分析。import pandas as pdfrom fbprophet import Prophetimport matplotlib．pyplot as plt

wmt ＝ pd．read＿csv（＇data／WMT．csv＇， usecols＝［0， 5］）

＃ 看一下数据wmt．head（）．append（wmt．tail（））（左右滑动查看全部内容）

＃ 需要修改为制定列名wmt．columns ＝ ［＇ds＇，＇y＇］wmt．head（）

＃ 画图wmt．set＿index（［＇ds＇］）．plot（figsize＝（18，7））（左右滑动查看全部内容）

＃ 初始化模型m ＝ Prophet（）

＃ 拟合数据m．fit（wmt）

＃ 准备预测值，我们要预测未来一年future ＝ m．make＿future＿dataframe（periods＝365）future．tail（）（左右滑动查看全部内容）

＃ 预测数据forecast ＝ m．predict（future）＃ 画出预测图：m．plot（forecast）

＃ 画出时间序列的分量m．plot＿components（forecast）

这里做的比较简单，还有很多参数没有加。

给出调参经验：

Capacities：用户可以通过调整该参数，来适配经验所得的容纳量；

Change points：直接指定变点；

Holidays and seasonality：调整节假日与事件及其影响；

Smoothing parameters：通过调整

来控制模型增长率的全局或者局部平滑；季节性和假日的平滑参数

可以来估计未来的季节性变化。

5 总结

简单做个总结：Prophet 是 Facebook 开源的自动化预测的时间序列模型，其非常简单且速度非常快。Prophet 基于线性可加模型，分量包括趋势、季节性、节假日效应及误差。其非常适用于具有强烈季节效应的时间序列任务。Prophet 简单之处还表现于对缺失值和异常点的健壮性，即使是不懂时间序列建模的人员也可以很快上手。

Prophet 有以下优势：

速度快且性能好：Prophet 已经应用于 Facebook 的许多场景并提供可靠的预测。在大多数情况下，它的效果都比其他方法要好；全自动：Prophet 对于异常值、丢失的数据具有健壮性，可以对杂乱的数据进行合理的预测，无需人工介入；灵活性高：Prophet 程序为用户提供了许多调整接口，可以通过添加领域知识来改进预测；简单方便：可以使用 Python 或者 R，非常方便。

但 Prophet 也有以下局限：

无法人为加特征；模型过于简单，常常处于欠拟合状态；不适合长期预测。

6 参考资料

［1］ Taylor S J， Letham B． Forecasting at scale［J］． The American Statistician， 2018， 72（1）： 37－45．［2］ Github： Prophet［3］ Intro to Facebook Prophet

关于我“门”

将门是一家以专注于发掘、加速及投资技术驱动型创业公司的新型创投机构，旗下涵盖将门创新服务、将门技术社群以及将门创投基金。将门成立于2015年底，创始团队由微软创投在中国的创始团队原班人马构建而成，曾为微软优选和深度孵化了126家创新的技术型创业公司。

将门创新服务专注于使创新的技术落地于真正的应用场景，激活和实现全新的商业价值，服务于行业领先企业和技术创新型创业公司。

将门技术社群专注于帮助技术创新型的创业公司提供来自产、学、研、创领域的核心技术专家的技术分享和学习内容，使创新成为持续的核心竞争力。

将门创投基金专注于投资通过技术创新激活商业场景，实现商业价值的初创企业，关注技术领域包括机器智能、物联网、自然人机交互、企业计算。在近四年的时间里，将门创投基金已经投资了包括量化派、码隆科技、禾赛科技、宽拓科技、杉数科技、迪英加科技等数十家具有高成长潜力的技术型创业公司。