這樣模型構(gòu)建的優(yōu)勢(shì)在于自動(dòng)化參數(shù)選擇：利用 AutoARIMA 自動(dòng)選擇最佳參數(shù)，減少了模型調(diào)參的時(shí)間和復(fù)雜度，處理非線性趨勢(shì)和季節(jié)性：通過(guò) Prophet 的組件，模型可以有效處理復(fù)雜的趨勢(shì)和季節(jié)性模式，魯棒性：結(jié)合兩種方法的優(yōu)點(diǎn)，能夠在多種時(shí)間序列數(shù)據(jù)上表現(xiàn)良好

代碼構(gòu)建

數(shù)據(jù)讀取

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = 'SimHei'

plt.rcParams['axes.unicode_minus'] = False



df = pd.read_excel('AutOARIMA-Prophet.xlsx')

df['數(shù)據(jù)時(shí)間'] = pd.to_datetime(df['數(shù)據(jù)時(shí)間']) # 把日期列轉(zhuǎn)換為datetime格式

plt.figure(figsize=(15, 5))

plt.plot(df['數(shù)據(jù)時(shí)間'], df['data'], color='b',  alpha=0.6)

plt.title('時(shí)序圖')

plt.grid(True)

plt.show()

數(shù)據(jù)準(zhǔn)備

# 準(zhǔn)備數(shù)據(jù)，確保日期列名為 'ds'，值列名為 'y', 這里主要是去適應(yīng)模型輸入格式

df = df.rename(columns={'數(shù)據(jù)時(shí)間': 'ds', 'data': 'y'})



from sklearn.model_selection import train_test_split

X = df['ds']

Y = df['y']

# 分割訓(xùn)練集和測(cè)試集，保留時(shí)間序列的順序shuffle=False

X_train, X_test, Y_train, Y_test = train_test_split(X, Y,test_size = 0.05,

                                                    random_state = 0,shuffle=False) 

# 合并成一個(gè) DataFrame

train_data = pd.DataFrame({'ds': X_train, 'y': Y_train})

test_data = pd.DataFrame({'ds': X_test, 'y': Y_test})

# 確保索引排序正確

train_data = train_data.sort_index()

test_data = test_data.sort_index()

修改時(shí)間序列數(shù)據(jù)以適應(yīng)Prophet模型的輸入格式，首先將數(shù)據(jù)框中的日期列名改為’ds’，將值列名改為’y’。然后使用train_test_split函數(shù)將數(shù)據(jù)分割成訓(xùn)練集和測(cè)試集，保持時(shí)間序列的順序（即shuffle=False），并將它們組合成兩個(gè)新的數(shù)據(jù)框，最后確保了兩個(gè)數(shù)據(jù)框的索引排序正確

模型訓(xùn)練

from statsforecast.adapters.prophet import AutoARIMAProphet

from tqdm import tqdm

from datetime import datetime



# 初始化 AutoARIMAProphet 模型配置

model_config = {

    "growth": "linear",  # 設(shè)置增長(zhǎng)類型線性增長(zhǎng)。適用于數(shù)據(jù)呈線性增長(zhǎng)趨勢(shì)的情況。

    "yearly_seasonality": True,  # 啟用年度季節(jié)性

    "seasonality_mode": "multiplicative",  # 季節(jié)性成分的模式為乘法模式

    "seasonality_prior_scale": 10,  # 季節(jié)性先驗(yàn)尺度

    "holidays_prior_scale": 10,  # 節(jié)假日效應(yīng)的先驗(yàn)尺度

    "changepoint_prior_scale": 0.05,  # 變化點(diǎn)的先驗(yàn)尺度

    "interval_width": 0.75,  # 預(yù)測(cè)間隔的寬度

    "uncertainty_samples": 100  # 用于預(yù)測(cè)不確定性的樣本數(shù)量

}

# 實(shí)例化模型

model = AutoARIMAProphet(**model_config)



start = datetime.now() 

with tqdm(total=1, desc="Fitting Model") as pbar:

    autoarimaprophet = model.fit(train_data, disable_seasonal_features=False)

    pbar.update(1)

print("Training time:", datetime.now() - start)  # 計(jì)算訓(xùn)練時(shí)間



periods = len(test_data)+30 

future_data = autoarimaprophet.make_future_dataframe(periods=periods)

# 進(jìn)行預(yù)測(cè)

forecast = model.predict(future_data)

forecast.head()

這里的模型預(yù)測(cè)將會(huì)從測(cè)試集的起點(diǎn)開始進(jìn)行預(yù)測(cè)，直到定義的往后預(yù)測(cè)點(diǎn)數(shù)量，yhat是預(yù)測(cè)結(jié)果，yhat_lower和yhat_upper是置信區(qū)間，下面給出參數(shù)解釋，具體的參數(shù)可參考原文鏈接

這里模型采用的增長(zhǎng)類型是linear如果采用logistic需要指定預(yù)測(cè)值的上下限，具體代碼如下

# 初始化 AutoARIMAProphet 模型配置

model_config = {

    "growth": "logistic",  # 設(shè)置增長(zhǎng)類型為邏輯斯蒂增長(zhǎng)，適用于 S 形增長(zhǎng)的數(shù)據(jù)

    "yearly_seasonality": True,  # 啟用年度季節(jié)性

    "seasonality_mode": "multiplicative",  # 季節(jié)性成分的模式為乘法模式

    "seasonality_prior_scale": 10,  # 季節(jié)性先驗(yàn)尺度

    "holidays_prior_scale": 10,  # 節(jié)假日效應(yīng)的先驗(yàn)尺度

    "changepoint_prior_scale": 0.05,  # 變化點(diǎn)的先驗(yàn)尺度

    "interval_width": 0.75,  # 預(yù)測(cè)間隔的寬度

    "uncertainty_samples": 1000  # 用于預(yù)測(cè)不確定性的樣本數(shù)量

}



cap = train_data['y'].max()  # 預(yù)測(cè)值的上限,這里采用測(cè)試集的最大值最小值，可根據(jù)實(shí)際數(shù)據(jù)進(jìn)行調(diào)整

floor = train_data['y'].min()  # 預(yù)測(cè)值的下限

model = AutoARIMAProphet(**model_config)

# 為訓(xùn)練數(shù)據(jù)添加 cap 和 floor 列

train_data['cap'] = cap

train_data['floor'] = floor

# 訓(xùn)練模型

start = datetime.now()  # 使用datetime模塊中的函數(shù)獲取當(dāng)前時(shí)間

with tqdm(total=1, desc="Fitting Model") as pbar:

    autoarimaprophet = model.fit(train_data, disable_seasonal_features=False)

    pbar.update(1)

print("Training time:", datetime.now() - start)  # 計(jì)算訓(xùn)練時(shí)間



# 預(yù)測(cè)未來(lái)30天

periods = len(test_data)+30 # 這里時(shí)間上是在測(cè)試集上進(jìn)行預(yù)測(cè)后在往后預(yù)測(cè)未來(lái)30天

future_data = autoarimaprophet.make_future_dataframe(periods=periods)

future_data['cap'] = cap

future_data['floor'] = floor

# 進(jìn)行預(yù)測(cè)

forecast = model.predict(future_data)

模型可視化

# 獲取最后 30 個(gè)預(yù)測(cè)值

pred = forecast.tail(30)

# 測(cè)試集預(yù)測(cè)

start_date = test_data['ds'].iloc[0]

end_date = test_data['ds'].iloc[-1]

test_pred = forecast[(forecast['ds'] >= start_date) & (forecast['ds'] <= end_date)]

# 訓(xùn)練集預(yù)測(cè)

start_date = train_data['ds'].iloc[0]

end_date = train_data['ds'].iloc[-1]

train_pred = forecast[(forecast['ds'] >= start_date) & (forecast['ds'] <= end_date)]



plt.figure(figsize=(15, 5))

plt.plot(train_data['ds'], train_data['y'], color='r', alpha=0.3, label='訓(xùn)練集真實(shí)值')

plt.plot(test_data['ds'], test_data['y'], color='r', alpha=0.8, label='測(cè)試集真實(shí)值')



plt.plot(train_pred['ds'], train_pred['yhat'], color='blue', linestyle='--', label='訓(xùn)練集預(yù)測(cè)值')

plt.fill_between(train_pred['ds'], train_pred['yhat_lower'], train_pred['yhat_upper'], color='blue', alpha=0.2)



plt.plot(test_pred['ds'], test_pred['yhat'], color='green', linestyle='--', label='測(cè)試集預(yù)測(cè)值')

plt.fill_between(test_pred['ds'], test_pred['yhat_lower'], test_pred['yhat_upper'], color='green', alpha=0.2)



plt.plot(pred['ds'], pred['yhat'], color='orange', linestyle='--', label='未來(lái)預(yù)測(cè)值')

plt.fill_between(pred['ds'], pred['yhat_lower'], pred['yhat_upper'], color='orange', alpha=0.2)

plt.title('預(yù)測(cè)')

plt.legend()

plt.grid(True)

plt.show()

文章轉(zhuǎn)自微信公眾號(hào)@Python機(jī)器學(xué)習(xí)AI