亚洲综合在线观看视频,国产精品欧美一区喷水,国内成人精品亚洲日本语音

這樣模型構建的優勢在于自動化參數選擇：利用 AutoARIMA 自動選擇最佳參數，減少了模型調參的時間和復雜度，處理非線性趨勢和季節性：通過 Prophet 的組件，模型可以有效處理復雜的趨勢和季節性模式，魯棒性：結合兩種方法的優點，能夠在多種時間序列數據上表現良好

代碼構建

import pandas as pd import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = 'SimHei' plt.rcParams['axes.unicode_minus'] = False df = pd.read_excel('AutOARIMA-Prophet.xlsx') df['數據時間'] = pd.to_datetime(df['數據時間']) # 把日期列轉換為datetime格式 plt.figure(figsize=(15, 5)) plt.plot(df['數據時間'], df['data'], color='b', alpha=0.6) plt.title('時序圖') plt.grid(True) plt.show()

# 準備數據，確保日期列名為 'ds'，值列名為 'y', 這里主要是去適應模型輸入格式 df = df.rename(columns={'數據時間': 'ds', 'data': 'y'}) from sklearn.model_selection import train_test_split X = df['ds'] Y = df['y'] # 分割訓練集和測試集，保留時間序列的順序shuffle=False X_train, X_test, Y_train, Y_test = train_test_split(X, Y,test_size = 0.05, random_state = 0,shuffle=False) # 合并成一個 DataFrame train_data = pd.DataFrame({'ds': X_train, 'y': Y_train}) test_data = pd.DataFrame({'ds': X_test, 'y': Y_test}) # 確保索引排序正確 train_data = train_data.sort_index() test_data = test_data.sort_index()

修改時間序列數據以適應Prophet模型的輸入格式，首先將數據框中的日期列名改為’ds’，將值列名改為’y’。然后使用train_test_split函數將數據分割成訓練集和測試集，保持時間序列的順序（即shuffle=False），并將它們組合成兩個新的數據框，最后確保了兩個數據框的索引排序正確

from statsforecast.adapters.prophet import AutoARIMAProphet from tqdm import tqdm from datetime import datetime # 初始化 AutoARIMAProphet 模型配置 model_config = { "growth": "linear", # 設置增長類型線性增長。適用于數據呈線性增長趨勢的情況。 "yearly_seasonality": True, # 啟用年度季節性 "seasonality_mode": "multiplicative", # 季節性成分的模式為乘法模式 "seasonality_prior_scale": 10, # 季節性先驗尺度 "holidays_prior_scale": 10, # 節假日效應的先驗尺度 "changepoint_prior_scale": 0.05, # 變化點的先驗尺度 "interval_width": 0.75, # 預測間隔的寬度 "uncertainty_samples": 100 # 用于預測不確定性的樣本數量 } # 實例化模型 model = AutoARIMAProphet(**model_config) start = datetime.now() with tqdm(total=1, desc="Fitting Model") as pbar: autoarimaprophet = model.fit(train_data, disable_seasonal_features=False) pbar.update(1) print("Training time:", datetime.now() - start) # 計算訓練時間 periods = len(test_data)+30 future_data = autoarimaprophet.make_future_dataframe(periods=periods) # 進行預測 forecast = model.predict(future_data) forecast.head()

這里的模型預測將會從測試集的起點開始進行預測，直到定義的往后預測點數量，yhat是預測結果，yhat_lower和yhat_upper是置信區間，下面給出參數解釋，具體的參數可參考原文鏈接

這里模型采用的增長類型是linear如果采用logistic需要指定預測值的上下限，具體代碼如下

# 初始化 AutoARIMAProphet 模型配置 model_config = { "growth": "logistic", # 設置增長類型為邏輯斯蒂增長，適用于 S 形增長的數據 "yearly_seasonality": True, # 啟用年度季節性 "seasonality_mode": "multiplicative", # 季節性成分的模式為乘法模式 "seasonality_prior_scale": 10, # 季節性先驗尺度 "holidays_prior_scale": 10, # 節假日效應的先驗尺度 "changepoint_prior_scale": 0.05, # 變化點的先驗尺度 "interval_width": 0.75, # 預測間隔的寬度 "uncertainty_samples": 1000 # 用于預測不確定性的樣本數量 } cap = train_data['y'].max() # 預測值的上限,這里采用測試集的最大值最小值，可根據實際數據進行調整 floor = train_data['y'].min() # 預測值的下限 model = AutoARIMAProphet(**model_config) # 為訓練數據添加 cap 和 floor 列 train_data['cap'] = cap train_data['floor'] = floor # 訓練模型 start = datetime.now() # 使用datetime模塊中的函數獲取當前時間 with tqdm(total=1, desc="Fitting Model") as pbar: autoarimaprophet = model.fit(train_data, disable_seasonal_features=False) pbar.update(1) print("Training time:", datetime.now() - start) # 計算訓練時間 # 預測未來30天 periods = len(test_data)+30 # 這里時間上是在測試集上進行預測后在往后預測未來30天 future_data = autoarimaprophet.make_future_dataframe(periods=periods) future_data['cap'] = cap future_data['floor'] = floor # 進行預測 forecast = model.predict(future_data)

# 獲取最后 30 個預測值 pred = forecast.tail(30) # 測試集預測 start_date = test_data['ds'].iloc[0] end_date = test_data['ds'].iloc[-1] test_pred = forecast[(forecast['ds'] >= start_date) & (forecast['ds'] <= end_date)] # 訓練集預測 start_date = train_data['ds'].iloc[0] end_date = train_data['ds'].iloc[-1] train_pred = forecast[(forecast['ds'] >= start_date) & (forecast['ds'] <= end_date)] plt.figure(figsize=(15, 5)) plt.plot(train_data['ds'], train_data['y'], color='r', alpha=0.3, label='訓練集真實值') plt.plot(test_data['ds'], test_data['y'], color='r', alpha=0.8, label='測試集真實值') plt.plot(train_pred['ds'], train_pred['yhat'], color='blue', linestyle='--', label='訓練集預測值') plt.fill_between(train_pred['ds'], train_pred['yhat_lower'], train_pred['yhat_upper'], color='blue', alpha=0.2) plt.plot(test_pred['ds'], test_pred['yhat'], color='green', linestyle='--', label='測試集預測值') plt.fill_between(test_pred['ds'], test_pred['yhat_lower'], test_pred['yhat_upper'], color='green', alpha=0.2) plt.plot(pred['ds'], pred['yhat'], color='orange', linestyle='--', label='未來預測值') plt.fill_between(pred['ds'], pred['yhat_lower'], pred['yhat_upper'], color='orange', alpha=0.2) plt.title('預測') plt.legend() plt.grid(True) plt.show()