结合 Prophet 的原理理解 Prophet 的使用

前言

本文也是时序领域工作学习过程中的一些学习笔记，将会结合 Prophet 的原理，讲一讲如何成为一个合格的 Prophet 调包侠 使用者。如果有任何理解不到位的地方，请多多指正。

Why Prophet?

Prophet 是Meta（Facebook）的一个开源时序预测算法工具，在工作中解决一些特定领域的时序预测问题时能够有非常好的效果，尤其是一些周期性明显的时序数据，如工业场景、运维场景的数据。

• 优势在于准确度高、能够提供预测区间而非单个预测值、具有良好的可解释性、能够通过设置参数的方式方便地融入业务领域的专家知识；

• 缺点在于对比较复杂没什么规律的时序预测能力比较差，此外，一个 prophet 模型只能预测一条时序，如果有多条时序需要预测，则需要每条时序都训练一个 Prophet model，并且在预测时，每条时序的 Model 都应该重新训练再预测（尽管官方提供了 warm-starting 的方法，在面对大量时序需要预测的场景，不一定适合）

Prophet 的原理

简单来说，Prophet 把时序分为四个部分，认为任意时刻的值，就是这四个部分相加的结果（如果是四个部分相乘的情况，通过 log transform 也同样变为加法模式）。这四个部分分别是：

• 趋势成分：时序最内核的一个增长趋势
• 季节性成分：时序中跟时间强烈相关，周期性上升下降的成分
• 节假日影响：时序中跟时间强烈相关，非周期性出现的影响
• 不可预测的假设为正态分布的误差部分

接下来就看看每个成分分别是如何拟合的

趋势成分

prophet 把趋势成分分为两类，一类是受到人口增长模型启发的 logistics 增长函数，一类是更为简单的分段线性函数

基于人口增长模型的 logistics 增长函数

其中最关键的是增长上限C(t)和增长变化率k

prophet 认为时序在每个时刻的增长上限都是不同的，而这是和时序代表的业务知识强烈相关的，比如产品的需求量的时序，在进行预测时，每个成熟的业务员，都比程序员更懂得如何推算这个产品未来的市场蛋糕到底有多大，天花板在哪里，所以这部分往往是需要业务人员帮助给出的专家经验。

同样，prophet 认为增长率 k 也不是一个固定的值，在某些事件出现的时刻，比如产品广告上线、产品活动，这些特殊的事件发生点，其增长率也不能用日常的情况来代表，这些时刻被称为 changepoints。这些 changepoints 可以由业务人员给出，prophet 也提供了自动寻找的功能，在自动寻找时，prophet 在整个时序上找到一些点标为 changepoints，然后在 Laplace 分布上采样，作为该 changepoints 对应的 k 的变化值，即 k 在这个 changepoint 上要变化多少。Laplace 分布和正态分布长得非常像，这里的方差可以人为调整，于是我们就能根据时序的实际情况，决定 changepoint 上的变化程度。

分段线性函数增长

分段线性函数则简单许多，同样确定了 changepoints 之后，只是在 changepoints 之间构建线性函数，保证它们连续即可，整体就是 y = kx + b，细节这里不详细叙述。

趋势成分的预测

涉及到 changepoints 的话，未来也同样是有 changepoints 的，同样地，可以通过人为给出，也可以依赖 prophet 的自动寻找能力。

prophet 的自动寻找是以“未来的 changepoints 和过去差不多”为前提的，比如我们的时序一共有 T 个点，其中有 S 个 changepoints，那么在预测未来的 H 个点时，每个点都有 S/T 的概率被标记为 changepoint，其相应的变化值也是从 Laplace 分布上采样而来，只是这里的 Laplace 分布的方差，则通过历史中 S 个 changepoints 的方差计算而来，当然也可以用其他更严谨的统计方法，计算历史 changepoints 对应 k 变化值的 Laplace 分布方差。

此时，如果采样多组，那么就能计算得到多个可能的趋势，这些趋势能够构成一定的区间，通过不同时刻的区间的相对宽窄，能够反映该时刻的预测的置信程度

季节性成分

Prophet 通过 Fourier 变换拟合季节性成分，这里我们只需要知道，季节性成分都是周期性的，一个时序最后呈现的形态，可能是多种不同周期的季节性成分作用到趋势成分上导致的结果，而每一种周期的季节性成分，都可以用一组正弦波的叠加去拟合

这样一组正弦波需要 2N 个参数，在变换的过程中都会算出来，但我们需要决定一个 N，来保证拟合的准确度的同时，防止过拟合，也减少算力的压力。Prophet 发现，对于以年为周期的成分，使用 N=10；对于以周为周期的成分，使用 N=3，都能在大部分问题上取得不错的效果，不过我们也可以通过 AIC 这类方法，辅助选择模型的超参数。此外，prophet 还对这 2N 个参数进行高斯平滑，这个平滑的程度也会决定季节性成分变化的速度，同样可以通过这个参数调控季节性成分的强度，即对时序最终的形态的影响

节假日成分

还有一些和时间紧密相关的事件，比如某些节假日，从漫长的时间尺度上来说，并不是周期性出现的，但是符合一定的出现规则。这样的重要影响则通过数据表的形式喂入模型，如一张列名为 [节假日的名字, 国家, 年份, 日期] 的表。

prophet 统计每个节假日出现的时间，给每种节假日都附加一个影响值 k (从正态分布采样)，在每个节假日对应时刻（或节假日为中心的一个窗口内的所有时刻）都增加一个节假日的影响值，作为 h(t) 的值

模型的评估与分析

参考 Prophet 的官网，通过 Prophet 的 API 即可完成上述成分的拟合，但 prophet 还提供了后续分析模型效果的思路。

baseline

模型的评估都离不开 baseline 的比较，通常选择 last value 或者 sample mean 作为 baseline，这方面无需详述

评估指标

对于一个 H 个点的预测，它的误差等于这 H 个点构成的向量，和真实值向量之间的“距离”。“距离”的计算方式有很多，需要根据实际问题来选择，比如时序预测问题常用的 MAPE 就也算是一种计算的方式

可视化

prophet 推荐使用点的方式绘图，避免连线造成的插值感

• SHF（simulated historical forecasts）

  prophet 提出，不光要算一个 H 下的准确度，还要算多个不同大小的 H 下的准确度，以求更全面的反映一个模型的表现，达到普通的机器学习任务中 cross-validation 同样的效果 （因为时序的先后顺序是严格约束的，不能像普通的机器学习任务一样，在全部的训练样本上随机的 cross-validation ）

  SHF 就是在历史中的某几个点上，用点之前的数据 fit，对点之后的 H 个点进行 predict。比如设置 N 个点，我们称为 cutoff，每个 cutoff 处都用之前的数据训练，对之后的 H 个点预测，这 N 个地方的结果的期望，就是模型对于 H 这个 forecast horizon 时的比较客观的表现

通过多设置这样的 cutoff 时刻，记录每个 cutoff 处的 SHF，会有更多角度的分析：

• 相比 baseline 模型有明显差距时，说明模型可能定义的参数不对
• 某时刻，几乎所有模型都表现很差时，说明可能是异常值，需要重新处理训练数据
• 当某一个 cutoff 处的“距离”相比上一个 cutoff 显著变大，说明可能这之间有一个没有被捕捉到的changepoints或者忽视了什么季节性成分、非周期事件影响，同样需要重新审视模型

Prophet 的使用

0. 首先，大家可能会发现找不到 prophet 的 API reference，这可能是因为项目最初是围绕着 R 语言构建的，R 语言能够很方便地自动生成 API 文档：Prophet API 文档-R 语言

   因此，这里更推荐在 notebook 或者别的地方使用 prophet 的时候，使用 help() 的方式，查阅 API 的说明

比如不知道 cross-validation 怎么用于和官网不同的非日期间隔数据，就可以使用

help(prophet.diagnostics.cross_Validation)

1. 可以看到几个参数都对应我们上面描述过的原理

   • growth : linear 还是 logistic，对应我们说的两类趋势成分的分类
   • C(t) 是通过在时序数据增加一列 ‘cap’ 实现的，给出每个时刻对应的增长上限，具体官网就有说明。值得注意的是，如果你添加了 cap 列，在使用 make_future_dataframe 的时候，也应该加上这一列
   • changepoints：list of dates，对应的就是人为指出 changepoints 的方式
   • n_changepoints 默认为25，changepoints_range默认为0.8，表示默认情况下，prophet 会在输入的数据的前百分之80个店里面选25个作为变点，变化值对应changepoint_prior_scale决定的Laplace分布上采样的值
   • changepoint_prior_scale：对应前面提到的 Laplace 分布的方差，调大会导致 changepoint 处的 k 的变化值比较容易出现大的值，从而导致整个 trend 变化比较大，导致趋势成分更 flexible
   • seasonality 部分我们提到 N 和平滑这些参数的正态分布的方差
     • yearly_seasonlaity, weekly_seasonality 等，都可以指定一个数值代表 N。如果我们的时序是非日期数据，还可以通过 Prophet().add_seasonlaity 函数添加一个成分，指定它的周期，并指定 N 表示要用多少阶 Fourier 去拟合它
     • 而平滑用的正态分布，对应 seasonality_prior_scale
   • 节假日影响则通过 holidays 参数给出，如前文所述，需要提供一个表示节假日的pd.DataFrame
     • holiday 列：如 ‘mid-autumn’ 这样的节假日名字
     • ds 列：日期，但需要是 date type 的数据，不能是字符串
     • [lower_window] ([]表示可选)：整数，如 -2 表示日期之前的两天，也视为该节日，受到同等影响
     • [upper_window]： 同理
     • prior_scale：对应前文提到的“影响值 k 从正态分布中采样”，本参数就是确认这个正态分布的方差的

2. 在可视化的时候，直接使用 prophet 提供的 plot，往往没有测试集的真实值在图上，因为我们一般在训练之前就会把测试集分出来，此时可以传入 ax，以供我们继续在 prophet 画的图上补真实值的线

   fig, ax_tar = plt.subplot()
   model.plot(res, figsize=(20, 10), ax=ax_tar)
   data[-periods:].plot(kind='scatter', x='ds', y='y', color='lightcoral', alpha=0.5, ax=ax_tar)
   

Reference

1. Prophet doc

2. Taylor SJ, Letham B. 2017. Forecasting at scale. PeerJ Preprints 5:e3190v2 https://doi.org/10.7287/peerj.preprints.3190v2