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（）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