共计 1555 个字符，预计需要花费 4 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=7327
原文出处：拓端数据部落公众号
您将学习如何应用 Prophet（在 R 中）解决一个常见问题：预测公司明年的每日订单。
数据筹备与摸索
Prophet 最适宜每日数据以及至多一年的历史数据。咱们将应用 SQL 解决每天要预测的数据：
\`select\`\` date, valuefrom modeanalytics.daily_ordersorder by date`咱们能够将 SQL 查问后果集通过管道传递 R 数据框对象中。首先，将您的 SQL 查问重命名为Daily Orders。而后，在 R 中，咱们能够应用以下语句将查问后果集传递到数据帧 df 中：
df <- datasets\[\["Daily Orders"\]\]为了疾速理解您的数据框蕴含多少个观测值，能够运行以下语句：
# dim(df)Prophet 输出 DataFrame 中有两列：别离蕴含日期和数值。
str(df)在此示例中，您将须要进行一些手动的日期格局转换：
df <- mutate (
df,
date = ymd_hms(date) # )当初您曾经筹备好要与 Prophet 一起应用的数据，在将数据输出到 Prophet 中之前，将其作图并检查数据。
- 2017 年 5 月左右，趋势轨迹产生了显著变动。默认状况下，Prophet 自动检测到此类“趋势变动点”，并容许趋势进行适当调整。
- 每周和每年都有显著的季节性。如果工夫序列长于两个周期以上，则 Prophet 将主动适应每周和每年的季节性。
- 咱们的察看后果的均值和方差随工夫减少。
Box-Cox 变换
通常在预测中，您会明确抉择一种特定类型的幂变换，以将其利用于数据以打消噪声，而后再将数据输出到预测模型中（例如，对数变换或平方根变换等）。然而，有时可能难以确定哪种变换适宜您的数据。
Box-Cox 变换是一种数据变换，用于评估一组 Lambda 系数（λ）并抉择可实现最佳正态性近似值的值。
如果咱们将新转换的数据与未转换的数据一起绘制，则能够看到 Box-Cox 转换可能打消随着工夫变动而察看到减少的方差：
预测
应用 Prophet 通过 Box-Cox 转换的数据集拟合模型后，当初就能够开始对将来日期进行预测。
当初，咱们能够应用该 predict() 函数对将来数据帧中的每一行进行预测。
forecast <- predict(m, future)此时，Prophet 将创立一个预测变量的新数据框，其中蕴含名为的列下的将来日期的预测值yhat。
plot(m, forecast)在咱们的示例中，咱们的预测如下所示：
如果要可视化各个预测成分，则能够应用plot_components：
预测和成分可视化显示，Prophet 可能精确地建模数据中的潜在趋势，同时还能够准确地建模每周和每年的季节性（例如，周末和节假日的订单量较低）。
逆 Box-Cox 变换
因为 Prophet 用于 Box-Cox 转换后的数据，因而您须要将预测值转换回其原始单位。要将新的预测值转换回其原始单位，您将须要执行 Box-Cox 逆转换。
当初，您已将预测值转换回其原始单位，当初能够将预测值与历史值一起可视化：
最受欢迎的见解
1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测
2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析
3. 应用 r 语言进行工夫序列（arima，指数平滑）剖析
4.r 语言多元 copula-garch- 模型工夫序列预测
5.r 语言 copulas 和金融工夫序列案例
6. 应用 r 语言随机稳定模型 sv 解决工夫序列中的随机稳定
7.r 语言工夫序列 tar 阈值自回归模型
8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类
9.python3 用 arima 模型进行工夫序列预测