原文链接：http://tecdat.cn/?p=7327

您将学习如何使用Prophet（在R中）解决一个常见问题：预测公司明年的每日订单。 

数据准备与探索

先知最适合每日定期数据以及至少一年的历史数据。 我们将使用SQL处理每天要预测的数据：

`select
``  date,
  value
from modeanalytics.daily_orders
order by date`

现在，我们每天都有数据，我们可以将SQL查询结果集通过管道传递到R笔记本中的R数据框对象中。首先，将您的SQL查询重命名为Daily Orders。然后，在R 中，我们可以使用以下语句将查询结果集传递到数据帧df中：

df <- datasets[["Daily Orders"]]

为了快速了解您的数据框包含多少个观测值，可以运行以下语句：

# Retreive dimension of object
dim(df)

Prophet总是希望输入DataFrame中有两列：ds，分别y,包含日期和数值。 

# Inspect variables
str(df)

在此示例中，您将需要进行一些手动的类转换：

# Parse date column
df <- mutate (
df,
date = ymd_hms(date) # parse date column using lubridate ymd_hms function
)

一旦确认数据框中的列是正确的类，就可以ds在数据框中创建一个新列，该列是date列的精确副本，一个新列y是value列的精确副本：

df <- mutate (
df,
ds = date,  # Create new ds column from date using mutate
y = value   # Create new y column from value using mutate
)

然后，您可以重新调整该date列的用途，以用作数据框 ：

现在您已经准备好要与Prophet一起使用的数据，在将数据输入到Prophet中之前，将其作图并检查数据的外观是个好习惯。 

?

1. 2017年5月左右，趋势轨迹发生了明显变化。默认情况下，Prophet自动检测到此类“ 趋势变化点 ”，并允许趋势进行适当调整。先知还允许对这些趋势变化点的识别进行更细粒度的控制。
2. 每周和每年都有明显的季节性。如果时间序列长于两个周期以上，则先知将自动适应每周和每年的季节性。
3. 我们的观察结果的均值和方差随时间增加。 

Box-Cox变换

通常在预测中，您会明确选择一种特定类型的幂变换，以将其应用于数据以消除噪声，然后再将数据输入到预测模型中（例如，对数变换或平方根变换等）。但是，有时可能难以确定哪种功率变换适合您的数据。 

Box-Cox变换是一种数据变换，用于评估一组Lambda系数（λ）并选择可实现最佳正态性近似值的值。

如果我们将新转换的数据与未转换的数据一起绘制，则可以看到Box-Cox转换能够消除随着时间变化而观察到的许多增加的方差：

?

预测

使用Prophet通过Box-Cox转换的数据集拟合模型后，现在就可以开始对未来日期进行预测。 
现在，我们可以使用该predict()函数对未来数据帧中的每一行进行预测。

forecast <- predict(m, future)

此时，Prophet将创建一个分配给预测变量的新数据框，其中包含名为的列下的未来日期的预测值yhat以及不确定性间隔和预测的组成部分。 ：

plot(m, forecast)

在我们的示例中，我们的预测如下所示：

?

如果要可视化各个预测组件，则可以使用Prophet的内置plot_components功能：
plot_components在我们的示例数据上运行将返回以下一组组件可视化：

?

?

预测和组件可视化显示，Prophet能够准确地建模数据中的潜在趋势，同时还可以精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

由于先知用于Box-Cox转换后的数据，因此您需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，您将需要执行Box-Cox逆转换。

现在，您已将预测值转换回其原始单位，现在可以将预测值与历史值一起可视化：

?

?

 如果您有任何疑问，请在下面发表评论。 

?

Prophet在R语言中进行时间序列数据预测

原文：https://www.cnblogs.com/tecdat/p/11648942.html