《python数据分析及其在水利工程中的应用》课件-30时间序列预测模型 (Prophet)

时光先知时间序列预测模型(Prophet)TimeSeriesPredictionModel(Prophet)本升级任务的主线任务是什么Whatisthemaintaskofthisupgrademission⻓⽼的指引—智水长老知过去，

晓现在，更需测未来。运⽤机器学习之神⼒

，预测⽔情变化，

⽅能决胜千⾥

。升级任务：预测未来TheprogressoftheUpgradetask当前任务任务:时光先知-时间序列预测模型(Prophet)进行中>>>任务:森林智慧-随机森林回归模型任务:精准考量-模型评估(RMSE与交叉验证)后续任务待解锁完成本任务，成为【测⽔师】!本课件的⼦任务是什么Whatarethesub-tasksofthiscourseware任务⽬标了解Prophet库的基本概念、特点及其在时间序列预测中的应⽤学会使⽤Prophet对温度数据进⾏预处理、模型训练、未来值预测对预测结果进⾏可视化与解读01第一节认识Prophet模型GettoknowtheProphetmodel什么是时间序列预测？Whatistimeseriesprediction?时间序列预测的定义在数据分析中，

时间序列预测是根据历史数据来预测未来值的过程。为什么选择Prophet？WhychooseProphet?易⽤性Prophet提供了⾮常简洁易懂的API（应⽤程序编程接⼝），即使是初学者也能快速上⼿，构建出可靠的预测模型。你不需要深⼊了解复杂的统计学模型细节。⾃动处理季节性许多时间序列数据（如温度、销售额）都具有明显的季节性规律，

⽐如年度周期（夏季温度⾼）、周周期（周末⽤⽔量变化）。Prophet能够⾃动检

测并拟合这些多种季节性模式。Prophet是Facebook开源的—款专⻔⽤于时间序列预测的⼯具库，

它具有以下特点：Prophet的更多优点MoreadvantagesofProphet1处理缺失值和异常值真实数据往往不完美，可能存在数据缺失或异常突变的情况Prophet对于这些问题具有较

好的鲁棒性，能够相对平稳地处理它们，⽽不

会导致模型完全失效。2可解释性Prophet不仅给出预测结果，还能将预测分解为趋势（trend）、季节性（seasonality）和节假⽇效应（holidays）等组成部分。这种分解有助于我们理解数据变化的驱动因素，让模型不再是一个"⿊箱"。3处理趋势变化时间序列的⻓期趋势并⾮一成不变。Prophet能够⾃动检测趋势中的转折点（changepoints），并对趋势进⾏分段拟合，从⽽更好地适应数据的动态变化。02第二节使⽤Prophet进⾏时间序列预测UseProphetfortimeseriesprediction预测步骤概览Overviewofthepredictionsteps使⽤Prophet进⾏时间序列预测通常遵循以下步骤：1导⼊所需库：主要是pandas⽤于数据处理，prophet⽤于建模，matplotlib⽤于绘图。3数据预处理：将⽇期列转换为Prophet要求的datetime格式，并将列名重命名为'ds'(⽇期)和'y'(待预测值)。5创建未来⽇期并预测：⽣成⼀个包含未来⽇期的数据框，然后使⽤训练好的模型进⾏预测。2加载和检查数据：读取包含⽇期和待预测值的数据，并确保关键列存在。4初始化和训练模型：创建Prophet模型实例，并使⽤历史数据对其进⾏训练（拟合）。6结果输出与可视化：查看预测结果，并通过图表直观展示预测效果。导⼊库与加载数据Importlibrariesandloaddataimport

pandas

as

pdfrom

prophet

import

Prophetimport

matplotlib.pyplot

as

pltimport

numpy

as

np#

1.加载数据try:df=pd.read_excel("data.xlsx")print("成功加载data.xlsx⽂件!")exceptFileNotFoundError:print("错误：找不到data.xlsx⽂件！

请确保⽂件在当前⽬录下。

")exit()#

2.检查必要的列if

IDate

Inotin

df.columns

or

ITemperature(℃)I

not

in

df.columns:print("错误：

Excel⽂件中缺少必要的列(IDateI或ITemperature(℃)I)。请检查列名是否正确。

")exit()数据预处理Datapreprocessing#

3.数据预处理#将

IDateI列转换为datetime

类型#并重命名列以兼容Prophetdf

[

'Date']=

pd.to_datetime(df

[

'Date'],format=

'%Y-%m-%d%H:%M:%S')df=

df.rename(columns={

'Date':

'ds',

'Temperature(℃)':

'y'})#查看处理后的数据前⼏⾏print("处理后的数据前5⾏

:")print(df.head())Prophet对输⼊数据的格式有特定要求：Prophet数据格式要求输⼊的数据框(DataFrame)必须包含⾄少两列：ds和yds(datestamp)列：

包含⽇期或⽇期时间信息，其类型必须是Pandas的datetime类型y(value)列：

包含我们需要预测的数值型数据Prophet模型要求数据采⽤特定的格式，包括对列名的特殊要求。通过这种标准化预处理，我们确保数据与Prophet的接⼝规范匹配，从⽽能够成功训练模型。为什么需要预处理？数据预处理Datapreprocessing#

3.数据预处理#将

IDateI列转换为datetime

类型#并重命名列以兼容Prophetdf

[

'Date']=

pd.to_datetime(df

[

'Date'],format=

'%Y-%m-%d%H:%M:%S')df=

df.rename(columns={

'Date':

'ds',

'Temperature(℃)':

'y'})#查看处理后的数据前⼏⾏print("处理后的数据前5⾏

:")print(df.head())Prophet对输⼊数据的格式有特定要求：Prophet数据格式要求输⼊的数据框(DataFrame)必须包含⾄少两列：ds和yds(datestamp)列：

包含⽇期或⽇期时间信息，其类型必须是Pandas的datetime类型y(value)列：

包含我们需要预测的数值型数据Prophet模型要求数据采⽤特定的格式，包括对列名的特殊要求。通过这种标准化预处理，我们确保数据与Prophet的接⼝规范匹配，从⽽能够成功训练模型。为什么需要预处理？初始化和训练Prophet模型InitializeandtraintheProphetmodel训练过程解析当我们调⽤model.fit(df)时，Prophet会执⾏以下操作：1.分析输⼊的时间序列数据2.检测时间序列的主要趋势3.识别数据中的季节性模式（如果存在）4.估计模型的各种参数5.构建完整的时间序列预测模型#4.初始化和训练Prophet

模型#在创建Prophet实例时，

可以传⼊多种参数来调整模型的⾏为#growth指定增⻓模式，默认是

Ilinear

I#changepoints

⾃定义趋势变化点的⽇期列表#n_changepoints潜在变化点的数量#yearly_seasonality

⾃动检测年度季节性#weekly_seasonality

⾃动检测周季节性#daily_seasonality

⾃动检测⽇内季节性model=

Prophet()model.fit(df)print("模型训练完成！

")模型初始化与训练创建未来⽇期⽤于预测Createfuturedatesforprediction使⽤Prophet提供的⽅法#5.创建未来⽇期⽤于预测⽣成未来⽇期#替代⽅式：使⽤Prophet的内置⽅法future_df=model.make_future_dataframe(periods=365*3)#创建未来时间戳future_dates=pd.date_range(start=last_date+pd.Timedelta(days=5),periods=365*3,freq=

IDI)future_df=pd.DataFrame({

IdsI:

future_dates})#获取训练数据中最后的⽇期last_date=

df

[

IdsI].max()#两种⽅法的区别：#1.

⾃定义⽅法让我们可以控制起始⽇期#2.Prophet⽅法会包含历史⽇期和未来⽇期#从最后⽇期后5天开始，⽣成3年（

365*3）

的⽇期预测未来值并输出Predictfuturevaluesandoutputthemds:预测日期yhat:预测值yhat_lower:预测区间下限yhat_upper:预测区间上限#

6.预测未来值forecast=model.predict(future_df)预测未来值并输出Predictfuturevaluesandoutputthemds:预测日期yhat:预测值yhat_lower:预测区间下限yhat_upper:预测区间上限#

6.预测未来值forecast=model.predict(future_df)预测未来值并输出Predictfuturevaluesandoutputthem#

6.预测未来值forecast=model.predict(future_df)预测结果#7.

输出预测结果forecast_df_output=forecast

[

[

IdsI,

IyhatI]].rename(columns={IyhatI:

I

PredictedTemperature(℃)I})print("未来预测结果:")print(forecast_df_output.head())可视化预测结果Visualpredictionresults#

8.绘制结果plt.figure(figsize=(10,6))将预测结果可视化是理解模型表现的重要—步。我们可以使⽤Matplotlib来绘制图表。#设置标签和标题plt.xlabel(

IDateI)plt.ylabel(

ITemperature

(°C)I)plt.title(

ITemperature

Prediction

using

Prophet

I)plt.legend()#绘制实际数据plt.plot(df

[

IdsI],df

[

IyI],

label=

IObserved

I,color=

Iblue

I)#绘制预测结果，

包括预测区间plt.plot(forecast

[

IdsI],forecast

[

IyhatI],label=

I

Predicted

I,color=

IredI)#绘制不确定性区间plt.fill_between(forecast

[

IdsI],forecast

[

Iyhat_lower

I],forecast

[

Iyhat_