python时间序列分析工具prophet，分析年周期变化和未来趋势预测

　　prophet是facebook开发的一款开源时间序列分析预测工具。它根据已有序列分析，预测未来一段时间数据变化趋势，并给出年变化趋势，季节因素，节假日因素等。 安装conda install pystan conda install fbprophet
　　这个库需要先安装pystan这个库，再进行安装。 测试import pandas as pd import numpy as np from fbprophet import Prophet import matplotlib.pyplot as plt import os  path_file = f＂./23003_3_3211.60＂ df = path_to_df(path_file,＂60＂)  m = Prophet(yearly_seasonality=True,changepoint_range=1,seasonality_mode=＂multiplicative＂,seasonality_prior_scale=365)  # 训练模型 m.fit(df) #print(m) # 构建预测集,预测未来一年的涨势 future = m.make_future_dataframe(periods=365) #print (future.tail())  # 进行预测 forecast = m.predict(future) #forecast = m.predict(test) m.plot(forecast) plt.savefig(＂forecast.png＂,dpi=300)  #print (forecast.tail(10)) #forecast[[＂ds＂, ＂yhat＂, ＂yhat_lower＂, ＂yhat_upper＂]].tail(10) m.plot_components(forecast,figsize=(8,6)) plt.savefig(＂plot_components.png＂,dpi=300) #m.add_seasonality() #fig2 = m.plot(forecast) #print() fig, axes = plt.subplots(2,1,figsize=(6,8), dpi= 200) axes[0].plot(forecast[＂ds＂],forecast[＂yearly＂]) #lags=50, axes[1].plot(forecast[＂ds＂],forecast[＂trend＂]) plt.savefig(＂plot_fig.png＂,dpi=300)
　　点是观测数据，实线是预测数据，灰色区域，是置信区间。这个是年变周期是365，预测时间也是未来1年。
　　这个图是划分趋势性分量，年变分量，周分量。这个年变成分是之前decompose得到的趋势性成分不太一样，原理应该是类似的。 X1diff = df[＂y＂].diff().dropna()  ## 检验ARIMA模型的参数d X1d = pm.arima.ndiffs(df[＂y＂], alpha=0.05, test=＂kpss＂, max_d=3) print(＂使用KPSS方法对序列X1的参数d取值进行预测,d = ＂,X1d)  X1diffd = pm.arima.ndiffs(X1diff, alpha=0.05, test=＂kpss＂, max_d=3) print(＂使用KPSS方法对序列X1一阶差分后的参数d取值进行预测,d = ＂,X1diffd)  X2d = pm.arima.ndiffs(df[＂y＂], alpha=0.05, test=＂kpss＂, max_d=3) print(＂使用KPSS方法对序列X2的参数d取值进行预测,d = ＂,X2d)  X1d = pm.arima.nsdiffs(df[＂y＂], 365, max_D=2) print(＂对序列X1的季节阶数D取值进行预测,D = ＂,X1d)  X1diffd = pm.arima.nsdiffs(X1diff, 12, max_D=2) print(＂序列X1一阶差分后的季节阶数D取值进行预测,D = ＂,X1diffd) X1decomp = pm.arima.decompose(df[＂y＂].values,＂multiplicative＂, m=365) ## 可视化出分解的结果 ax = pm.utils.decomposed_plot(X1decomp,figure_kwargs = {＂figsize＂: (10, 6)}, show=False) ax[0].set_title(＂乘法模型分解结果＂) plt.show() ## 使用加法模型分解结果(通常适用于平稳趋势的序列) X1decomp = pm.arima.decompose(X1diff.values,＂additive＂, m=365) ## 可视化出分解的结果 ax = pm.utils.decomposed_plot(X1decomp,figure_kwargs = {＂figsize＂: (10, 6)}, show=False) ax[0].set_title(＂加法模型分解结果＂) plt.show()  decompose分解结果
　　一阶差分后decompose分解结果