fbprophet预言者的使用测试 |
您所在的位置：网站首页 › optimizationterminated › fbprophet预言者的使用测试 |
|
https://blog.csdn.net/qq_23860475/article/details/81354467 原博在这里 import pandas as pd import numpy as np from fbprophet import Prophet import matplotlib.pyplot as plt df = pd.read_excel('example_wp_peyton_manning.xlsx') df['y'] = np.log(df['y']) 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)) # 季后赛和超级碗比赛特别日期 m = Prophet(holidays=holidays) # 指定节假日参数，其它参数以默认值进行训练 m.fit(df) # 对过去数据进行训练 future = m.make_future_dataframe(freq='D',periods=365) # 建立数据预测框架，数据粒度为天，预测步长为一年 forecast =m.predict(future) m.plot(forecast) # 绘制预测效果图 plt.show() m.plot_components(forecast) # 绘制成分趋势图 plt.show()原博上的代码，我这里用来测试一下功能。 因为图片不能显示，闪退，我改了一点代码 运行结果如下 Initial log joint probability = -8.22805 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 99 9754.87 0.00578108 1381.96 1 1 122 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 199 9782.15 0.00377384 666.677 1 1 229 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 299 9787.99 0.000453574 230.12 0.4708 1 341 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 399 9792.73 0.00082002 441.99 0.7395 0.7395 460 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 499 9796.1 0.00110105 162.415 1 1 575 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 576 9798.58 1.47631e-05 163.594 8.109e-08 0.001 716 LS failed, Hessian reset 599 9799.37 0.00529958 698.865 1 1 740 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 699 9801.22 2.23812e-05 63.8531 1 1 855 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 799 9801.78 0.00237766 463.774 1 1 972 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 831 9801.93 5.75156e-06 66.1005 6.997e-08 0.001 1053 LS failed, Hessian reset 899 9802.31 0.000111814 185.348 0.06377 0.6098 1134 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 926 9802.53 1.17466e-05 121.538 6.346e-08 0.001 1215 LS failed, Hessian reset 959 9802.76 8.95068e-06 96.06 7.093e-08 0.001 1304 LS failed, Hessian reset 999 9802.82 2.78071e-05 108.203 0.04923 0.9352 1355 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 1099 9803.99 0.00139863 302.943 1 1 1466 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 1199 9804.9 0.000434855 145.147 1 1 1589 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 1278 9805.48 1.79259e-05 173.491 1.337e-07 0.001 1711 LS failed, Hessian reset 1299 9805.66 0.00045454 147.286 1 1 1738 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 1399 9805.93 6.79296e-05 98.3221 1 1 1866 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 1473 9806.04 2.18264e-05 182.704 1.669e-07 0.001 1993 LS failed, Hessian reset 1499 9806.05 0.000101355 111.128 0.5452 1 2030 Iter log prob ||dx|| ||grad|| alpha alpha0 # evals Notes 1508 9806.06 5.64245e-06 75.287 6.175e-08 0.001 2084 LS failed, Hessian reset 1522 9806.06 7.78665e-07 52.5976 0.9696 0.2839 2107 Optimization terminated normally: Convergence detected: relative gradient magnitude is below tolerance Process finished with exit code 0效果图如下 image.png image.png 等过段时间，我缓缓在更新一波参数我学习这个算法的时候其实是因为我老公忽悠我，说这个算法对时间序列表现优秀，但是我也在一些博客里看到了，只是比别的算法好一点而已，并不是特别优秀，我又在忧虑我公司那种刁钻的数据了，我试一下吧，再来更新一下。 ----------------------------分割线-------------------------------------- 我发现了一个有用的网址。 https://blog.csdn.net/wjskeepmaking/article/details/64905745 fbprophet目前仅支持以天为最小的时间粒度，下面这个网址介绍了修改代码，使得最小时间粒度变为小时。 https://blog.csdn.net/wjskeepmaking/article/details/65626872 ----------------------------分割线-------------------------------------- 现在是2020年1月20日 到今天为止，最小的时间粒度还是天。 我在2018年5月的时候买了一个新电脑，用Linux系统（Ubuntu18），安装真的很简单，pip就可以 ----------------------------分割线-------------------------------------- 我自己写了一段代码，用于练习，预测的是天池大赛，资金流的流入流出预测，不构建特征，单纯使用时间序列。 数据和需求见如下网址，用2013年7月1日到2014年8月31日的数据，来预测2014年9月1日到30日的数据（仅买入和赎出的总量） https://tianchi.aliyun.com/competition/entrance/231573/information # coding:utf-8 import pandas as pd from fbprophet import Prophet import matplotlib.pyplot as plt data = pd.read_csv("total_ds_y.csv") # 将时间列重命名为ds，将需要预测的列重命名为y data = data.rename(columns={'report_date': 'ds', 'total_redeem_amt': 'y'}) ds = data.get('ds') y = data.get('y') # 数据有多列仅拼接这两列 train_data = pd.concat((ds, y), axis=1) holidays = pd.DataFrame({ # 可以随意命名，这里是因为可以添加多个不一样的holiday 'holiday': 'holiday', # 节假日的日期 'ds': pd.to_datetime(['2013-09-19', '2013-09-20', '2013-09-21', '2013-10-01', '2013-10-02', '2013-10-03', '2013-10-04', '2013-10-05', '2013-10-06', '2013-10-07', '2014-01-01', '2014-01-31', '2014-02-01', '2014-02-02', '2014-02-03', '2014-02-04', '2014-02-05', '2014-02-06', '2014-04-05', '2014-04-06', '2014-04-07', '2014-05-01', '2014-05-02', '2014-05-03', '2014-05-31', '2014-06-01', '2014-06-02', '2013-11-11']), # 最小值为0（不是节假日），最大值为1（是节假日） 'lower_window': 0, 'upper_window': 1, }) m = Prophet(holidays=holidays) m.fit(data) # 预测的频率（天D，或者月M），时间长度30，是否包含历史数据 future = m.make_future_dataframe(freq='D', periods=30, include_history=False) # 建立数据预测框架，数据粒度为天，预测步长为一年 # 预测的结果，包含多种成分，最后一列即yhat列为最终的预测结果 forecast = m.predict(future) # print(forecast.ds) m.plot(forecast) # 绘制预测效果图 plt.show() m.plot_components(forecast) # 绘制成分趋势图 plt.show() # 保存结果 forecast.to_csv("forecast.csv") image.png image.png预测效果一般，仅做练习用。 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |