如今，市面上已經許多python 和 r語言可适用的時間序列預測模型了，那麼facehook的prophet在這一領域又有什麼優勢呢？
prophet在進行預測，其後端系統是一個機率程式語言stan，這代表prophet能發揮出很多貝葉斯算法的優勢，比如說：
使模型具有簡單、易解釋的周期性結構； 預測結果包括才完全後驗分布中導出的置信區間，即prophet提供的是一個資料驅動的風險估計。
在下面研究中，研究者讓prophet對兩組資料進行預測，在後端使用機率程式語言，讀者可以借此看到使用stan的一些工作細節。
prophet使用了一種通用時間序列模型，這種模型可适用于facebook上的資料，并且具有分段走向（piecewise trends）、多周期及彈性假期（floating holiday）三種特性。
prophet的把時間序列預測問題轉變成了一個曲線拟合練習（exercise）。在這個曲線中，因變量是增長、周期和holiday的總體表現。
增長（growth） 這一部分采用一個随時間變化的邏輯增長模型，屬于非線性增長，是以，要用簡單的分段常數函數來模拟線性增長。 用比率調整向量模拟分段點，每個分段點都對應一個具體的時間點。用拉普拉斯分布（laplace distribution）模拟比率調整變量，位置參數（location parameter）設定為0。 prophet 模型周期（periodic seasonality） 采用标準傅裡葉級數。年、周的周期性（seasonality）近似值分别為20和6，周期性成分（seasonal component）在正常情況下是平滑狀态。 假期（holiday） 用一個名額函數來模拟。
使用者可以調節擴散參數（spread parameter），以模拟未來會有多少曆史季節性變化（historical seasonal variation）。
使用者在用prophet時，不需要了解stan代碼，僅僅使用大家熟知的python 或 r程式設計語言即可。
下面，研究者讓它在一個周期性極強的資料集上運作（運作過程如下圖所示）。
該資料集為摩納哥夏威夷火山上測量的大氣二氧化碳含量。
設定好程式後，隻用了幾秒鐘，模型就給出了下圖所示的預測結果：
prophet很容易就探測到該資料以年為周期，并且長期增長的趨勢。在這裡要提一下，prophet自帶資料驅動的置信區間，這是機率程式設計系統的一個重要優點。
另外，prophet也為時間序列的組成部分（例如一周中某天、或一年中的某天）提供了簡單、易解釋的預測結果，如下圖所示：
這裡要注意的是，以周為機關的預測資料要比其他兩個的資料小得多，而且噪點也更大。知道這一點非常有意義：這表明，在全球範圍内，大氣中化學物質的含量并不是以周為周期變化的；另外，年資料也顯示出北半球植被對二氧化碳含量的影響：夏天過後含量降低，冬天過後含量升高。
下面，研究人員讓prophet對一組更具挑戰性的資料集（美國年出生人數）進行預測。
該資料集用高斯過程（雷鋒網注：也叫正态随機過程）進行分析，它同時具有周期性和“假期效果”。
prophet能夠通過調整轉折點平滑參數自動探測到轉折點。研究者把轉折點平滑參數設為0.1，而不是預設的0.05。這可使預測結果更靈活，更少平滑，但也更容易顯示噪點。
prophet用了大概1分鐘來了解這些資料集下圖中的黑點），然後給出了預測結果（下圖中的藍線）。
prophet預測出，出生率會在每年的八月到十月有所提高。
從下圖中能看出，新年期間出生人數較少，而情人節期間則偏高。prophet通過定義訓示變量系列（indicator variable
series），把這種一年某些天資料猛然增高的現象自動看做“holidays”，這個訓示變量系列能說明（或預測）該點的資料是不是（或是否将是）一個假期。
以上機率程式報告中展示了prophet在貝葉斯算法中的實踐效果，結果發現：
開發者和資料員們能通過機率程式設計語言（例如stan和pymc3），更容易地量化所有結果的機率值，而不僅僅是選出最有可能性的那一個； 在做預測時，它能為通用時間序列模拟合适的函數。但在模拟函數時，為了達到prophet使用者想要的效果，可能會犧牲一些靈活性； prophet使研究人員能更簡單、快捷地運作stan，省掉了使用python和r的複雜； prophet的魯棒性良好，作為一個機率程式産品，使用者很容易就能上手。
相關文章，請參看雷鋒網此前報道：
<a href="http://www.leiphone.com/news/201703/ytpa23qztqbepxl5.html">cloudera 釋出自助式資料科學開發環境 原生支援 r、python、scala 和各大開源架構</a>
<a href="http://www.leiphone.com/news/201703/fano0ytimfeycu6j.html">谷歌開源 python fire；一張圖讀懂 python、r 的大資料應用等 | ai 開發者頭條</a>
本文作者：夏睿