处理先知预测的级别变化

Question

我有一个像这样的数据集：

这是季节性数据，但在某个点之后会出现水平变化

我希望Prophet能够更快地适应电平转换后的数据。我该怎么做？

我已经阅读了文档，有一些选项：

• 删除旧数据

但是有什么方法可以迫使先知“更快”地适应电平转换数据？

这是一个重现：

import pandas as pd
from prophet import Prophet
from random import randint
from datetime import datetime
import matplotlib.pyplot as plt


def get_dataset():
    d = {}
    total = 100
    level_shift_point = 10
    values = [20+i%3 for i in range(level_shift_point)]
    for i in range(level_shift_point, total):
        values.append(100 + i%3)

    d["y"] = values 
    d["ds"] = [datetime.utcfromtimestamp(3600*i).strftime('%Y-%m-%d %H:%M:%S') for i in range(total)]
    return pd.DataFrame.from_dict(d)


df = get_dataset()


m = Prophet(changepoint_prior_scale=0.0001)
m.fit(df)

future = m.make_future_dataframe(periods=100, freq="h", include_history=False)
forecast = m.predict(future)
m.plot(forecast)
plt.show()

如你所见，预测根本没有任何意义。

我希望预测与电平转换后的数据保持一致。我该怎么做？

Answer 1

使用假期删除

import pandas as pd
from prophet import Prophet
from random import randint
from datetime import datetime
import matplotlib.pyplot as plt

def to_str_date(i):
    return datetime.utcfromtimestamp(3600*i).strftime('%Y-%m-%d %H:%M:%S')



def get_holiday_df():
    d = {
        "holiday":["one"], 
        "ds": [to_str_date(1)], 
        "upper_window":[1], 
        "lower_window":[0]
    }
    return pd.DataFrame.from_dict(d)



def get_dataset():
    d = {}
    total = 100
    level_shift_point = 24
    values = [20+i%3 for i in range(level_shift_point)]
    for i in range(level_shift_point, total):
        values.append(100 + i%3)

    d["y"] = values 
    d["ds"] = [datetime.utcfromtimestamp(3600*i).strftime('%Y-%m-%d %H:%M:%S') for i in range(total)]
    return pd.DataFrame.from_dict(d)


df = get_dataset()

hol = get_holiday_df()


m = Prophet(holidays=hol)
m.fit(df)

future = m.make_future_dataframe(periods=100, freq="h", include_history=False)
forecast = m.predict(future)
m.plot(forecast)
plt.show()