Beschreibung
Prophet ist ein leistungsstarkes Prognoseverfahren, das von Facebook entwickelt wurde und sowohl für R als auch für Python verfügbar ist. Es ist darauf ausgelegt, schnell zu sein und vollständig automatisierte Prognosen zu liefern, die von Data Scientists und Analysten weiter abgestimmt werden können. Der Kern der Funktionalität von Prophet liegt in seiner Fähigkeit, Zeitreihendaten mit multiplen Saisonalitäten, sich ändernden Wachstumsraten und der Einbeziehung besonderer Tage oder Ereignisse, die die Prognose beeinflussen könnten, zu modellieren.
Die Eingabe für Prophet ist konsistent ein Pandas DataFrame mit zwei wesentlichen Spalten: 'ds' für den Zeitstempel und 'y' für die zu prognostizierende numerische Messung. Die Spalte 'ds' sollte in einem von Pandas erkennbaren Format vorliegen, idealerweise 'YYYY-MM-DD' für Daten oder 'YYYY-MM-DD HH:MM:SS' für Zeitstempel. Die Spalte 'y' muss numerische Werte enthalten, die die historischen Datenpunkte darstellen.
Prophet folgt der scikit-learn Modell-API, was es für Benutzer, die mit diesem Ökosystem vertraut sind, intuitiv macht. Benutzer instanziieren ein Prophet-Objekt und rufen dann seine `fit`- und `predict`-Methoden auf. Der Fitting-Prozess ist bemerkenswert schnell und dauert typischerweise nur 1-5 Sekunden. Vorhersagen werden durch die Bereitstellung eines zukünftigen DataFrames generiert, der bequem mit der Hilfsmethode `make_future_dataframe` erstellt werden kann. Diese Methode erweitert die historischen Daten für eine angegebene Anzahl von Perioden in die Zukunft.
Die `predict`-Methode gibt einen Prognose-DataFrame aus, der den prognostizierten Wert ('yhat') sowie Spalten für Unsicherheitsintervalle ('yhat_lower', 'yhat_upper') und verschiedene Prognosekomponenten enthält. Die Visualisierung der Prognose ist mit der `plot`-Methode unkompliziert, und `plot_components` zeigt den Trend, die jährliche und die wöchentliche Saisonalität. Für interaktive Visualisierungen integriert sich Prophet mit Plotly, was zusätzliche Installationen von Plotly und verwandten Paketen erfordert.
In R ist der Prozess ähnlich, wobei eine `prophet`-Funktion zum Anpassen und dann `predict`- und `plot`-Funktionen auf dem resultierenden Modellobjekt verwendet werden. Die Anforderungen an die Dateneingabe bleiben gleich: ein DataFrame mit den Spalten 'ds' und 'y'. Die Flexibilität von Prophet ermöglicht die Modellierung komplexer Zeitstürmuster, was es zu einem wertvollen Werkzeug für eine breite Palette von Prognoseaufgaben in verschiedenen Branchen macht.
Prophet Prognosemodell im Überblick
Zeitreihenprognose
Automatisierte Prognoseerstellung
Verarbeitet multiple Saisonalitäten
Modelliert sich ändernde Wachstumsraten
Fähigkeit zur Modellierung besonderer Tage/Ereignisse
Liefert Unsicherheitsintervalle
Implementiert in R und Python
Scikit-learn-kompatible API (Python)
Schnelle Fitting-Zeiten (1-5 Sekunden)
Interaktive Plots mit Plotly
Komponentenvisualisierung (Trend, Saisonalität)
Erste Schritte mit Prophet Prognosemodell
Modellzugriff: Prophet-Bibliothek für R oder Python installieren.
Daten vorbereiten: DataFrame mit den Spalten 'ds' (Zeitstempel) und 'y' (numerische Messung) erstellen.
Modell anpassen: Prophet-Objekt instanziieren und die `fit`-Methode mit historischen Daten aufrufen.
Zukünftige Daten erstellen: `make_future_dataframe` verwenden, um Daten für die Vorhersage zu erstellen.
Prognostizieren: Die `predict`-Methode mit dem zukünftigen DataFrame aufrufen, um Prognosen zu erhalten.
Visualisieren: `plot`- und `plot_components`-Methoden für die Prognose- und Komponentenvisualisierung verwenden.
Interaktive Visualisierung: Plotly-Integration für dynamische Plots nutzen.
Prophet Prognosemodell's Anwendungsfälle
- Verkaufsprognose
- Website-Traffic-Vorhersage
- Nachfrageplanung
- Ressourcenallokation
- Analyse wirtschaftlicher Trends
- Prognose des Energieverbrauchs
- Analyse von Ereignisauswirkungen
