基于Streamlit_prophet玩转Prophet时序预测机器学习数据分析数据挖掘

既然是玩转，就得easy，在通俗搞懂核心原理的基础上，重在实践。
本文首先介绍Prophet模型基本使用，再介绍一个开箱即用的开源项目--Streamlit_prophet，进一步降低Prophet使用门槛（甚至给运营、业务都会用~）
简介时间序列受4种成分影响：

趋势：宏观、长期、持续性的作用力
周期：比如商品价格在较短时间内，围绕某个均值上下波动；
季节：变化规律相对固定，并呈现某种周期特征；“季节”不一定按年计，每周、每天的不同时段的规律，也可称作季节性。
随机：随机的不确定性，也就是指随机过程 (Stochastic Process）。

4种成分叠加起来就是对整个时序的影响，有加法模型和乘法模型：

加法模型：相对独立，4个成分间的影响较小；
乘法模型：相互影响更明显；

之前时序文章介绍了AR、MA、ARIMA等传统的时序模型，但用起来较麻烦，需要不断调整d\p\q三个参数，虽然可以通过“无脑”随机搜索交叉验证找出合适的参数，但并不丝滑，就算是优秀的数据分析师都会感觉头皮发麻~（哈哈哈，大佬勿喷）
Prophet，就是为上述场景量身定制的，直接通过参数去调整4种成分，简单易用，效果拉满（闪亮登场~）。
Prophet使用 1、安装
这里的坑比较多（win下安装），网上也有很多爬坑记录，但有一种最简单的方式--conda安装：

conda install pystan conda install prophet

2、使用
基本用法和scikit-learn的用法风格类似：

from prophet import Prophet import pandas as pddf = pd.read_csv('example_wp_log_peyton_manning.csv')# 0、基本方法 # 创建预测器，拟合数据 m = Prophet() m.fit(df)# 设置预测框 future = m.make_future_dataframe(periods=365) future.tail()# 对未来时间点进行预测，预测给出预测值和置信区间 forecast = m.predict(future) forecast[['ds','yhat','yhat_lower','yhat_upper']].tail()# 画图 fig1 = m.plot(forecast) # 画出分量图 fig2 = m.plot_components(forecast)

引入假期因子

# 1、对【假期和特别活动】进行建模 # 通过 holidays 参数，将假期因素加入模型 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))# 传入假期时间构建预测器 m = Prophet(holidays=holidays) forecast = m.fit(df).predict(future) fig = m.plot_components(forecast)

引入法定节假日因子

# 2、另外引入【法定节假日】，加入模型（通过add_country_holidays方法） m = Prophet(holidays=holidays) m.add_country_holidays(country_name='US') # CN ：中国法定节假日 m.fit(df)forecast = m.predict(future) fig = m.plot_components(forecast)

季节性调整使用“部分傅里叶和"来估计季节性：

# 3、更改年季节性参数 # 年季节性，默认是10；周季节性，默认是3 # 增加傅立叶项的数量可以使季节性适应更快的变化周期，但也可能导致过度拟合 from prophet.plot import plot_yearly m = Prophet(yearly_seasonality=20).fit(df) a = plot_yearly(m)

Prophet默认：【每周】和【每年】的季节性，可以使用 add_seasonality方法添加其他季节性，比如每月、每季度、每小时：

# 4、指定自定义季节性 # 关闭周季节性，加入月季节性 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)

如果发现假期效应过拟合了，可以通过holidays_prior_scale参数调整(默认是10)，降低该参数会减弱假期效应；seasonality_prior_scale，季节效应同理

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:]

还有其他用法，不多介绍，可参考个人github上的代码示例，示例来源于Prophet官方文档。
Streamlit_prophet部署开源项目官方介绍：

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

可知，streamlit_prophet是构建在streamlit上、基于prophet时序预测模型的应用。。看官方视频介绍，感觉很好用，跑起来~

文章图片

1、部署
和本地安装prophet一样，坑很多，但还是基于conda去安装就行。
创建虚拟环境：

conda create -n streamlit_prophetpython=3.8 activate streamlit_prophet

安装streamlit_prophet：

conda install pystan pip install -U streamlit_prophet#启动服务 streamlit_prophet deploy dashboard

本地访问：http://127.0.0.1:8080/ ，浏览器看到如下界面即说明部署成功~

文章图片

2、使用介绍
官方自带了一些数据示例，能快速上手；遗憾的是，我们使用只能上传csv文件数据（限制了最大200M），不能直连数仓数据。

文章图片

文章图片

对于数据列有选择、过滤、抽样、清洗模块：

文章图片

调整潜在拐点、季节、节假日效应参数：

文章图片

模型验证、预测：

文章图片

3、模型结果
点击左上角运行预测选项，开始模型预测，左侧参数调整了，模型会自动重跑：

文章图片

模型性能指标：

文章图片

模型错误分析，第二个图中，离红线越远的点，预测误差越离谱（便于后续模型调整，误差最大时间点，是否考虑剔除异常数据）：

文章图片

文章图片

蓝色阴影是模型预测结果的置信区间（80%），红线是模型估计的趋势：

文章图片

更多细节需要小伙伴们自己去尝试~这里不一一展示
小结 Streamlit_prophet是一个能大大简化时序预测的优秀数据产品，对于数据分析师来说非常友好，但最大缺点是不能直连数仓进行预测，有些遗憾~（看开发者后续会不会考虑接入吧）。
但想要用好这类产品（不限于此产品），核心还是在于了解业务、深入理解时序模型、Prophet建模方法。
参考：