Prophet 因素分解工具实践
原文中文,约5700字,阅读约需14分钟。发表于: 。本文已更新,你可以访问 AI By Doing 以获得更好的阅读体验。 本篇文章需 特别授权许可,内容版权归作者所有,未经授权,禁止转载。 介绍 时间序列分析实验中,我们学习了使用 ARMA 和 ARIMA 对平稳和非平稳时间序列建模方法,对时间序列分析流程中涉及到的平稳检验和纯随机性检验进行了充分了解。这篇文章中,我们将了解另一种常用的时间序列建模方法,同时学习 Facebook...
本文介绍了时间序列分析中的因素分解方法和Facebook开源的时间序列建模工具Prophet的使用。因素分解方法将时间序列的波动总结为长期趋势、循环波动、季节性变化和随机波动四类因素的影响。Prophet适用于季节性时间序列数据分析,并提供了缺失值和异常值处理机制。文章还介绍了Prophet的加法模型和乘法模型,并通过伦敦市表面气温数据集和某航空公司乘客数量变化序列进行了实例演示。加法模型适用于季节性变化不明显的序列,而乘法模型适用于季节性变化随时间增加的序列。