例子代码
https://github.com/lilihongjava/prophet_demo/tree/master/diagnostics
代码语言：javascript复制# encoding: utf-8
import pandas as pd
from fbprophet import Prophet
from fbprophet.diagnostics import cross_validation
from matplotlib import pyplot as plt
from fbprophet.diagnostics import performance_metrics
from fbprophet.plot import plot_cross_validation_metric
def main():
df = pd.read_csv('./data/example_wp_log_peyton_manning.csv')
m = Prophet()
m.fit(df)
future = m.make_future_dataframe(periods=366)
df_cv = cross_validation(
m, '365 days', initial='1825 days', period='365 days')
cutoff = df_cv['cutoff'].unique()[0]
df_cv = df_cv[df_cv['cutoff'].values == cutoff]
fig = plt.figure(facecolor='w', figsize=(10, 6))
ax = fig.add_subplot(111)
ax.plot(m.history['ds'].values, m.history['y'], 'k.')
ax.plot(df_cv['ds'].values, df_cv['yhat'], ls='-', c='#0072B2')
ax.fill_between(df_cv['ds'].values, df_cv['yhat_lower'],
df_cv['yhat_upper'], color='#0072B2',
alpha=0.2)
ax.axvline(x=pd.to_datetime(cutoff), c='gray', lw=4, alpha=0.5)
ax.set_ylabel('y')
ax.set_xlabel('ds')
ax.text(x=pd.to_datetime('2010-01-01'), y=12, s='Initial', color='black',
fontsize=16, fontweight='bold', alpha=0.8)
ax.text(x=pd.to_datetime('2012-08-01'), y=12, s='Cutoff', color='black',
fontsize=16, fontweight='bold', alpha=0.8)
ax.axvline(x=pd.to_datetime(cutoff) pd.Timedelta('365 days'), c='gray', lw=4,
alpha=0.5, ls='--')
ax.text(x=pd.to_datetime('2013-01-01'), y=6, s='Horizon', color='black',
fontsize=16, fontweight='bold', alpha=0.8)
fig.show()
df_cv = cross_validation(m, initial='730 days', period='180 days', horizon='365 days')
print(df_cv.head())
df_p = performance_metrics(df_cv)
print(df_p.head())
fig = plot_cross_validation_metric(df_cv, metric='mape')
fig.show()
if __name__ == "__main__":
main()Prophet包括时间序列交叉验证功能，使用历史数据测量预测误差。这是通过在历史数据中选择截止(cutoff)点来完成的，并且对于每个截止点，只使用该截止点之前的数据来拟合模型。然后我们可以将预测值与实际值进行比较。下图使用Peyton Manning数据集模拟历史数据预测，其中该模型拟合5年初始(initial)历史数据，并且在一年的时间范围内进行了预测。
prophet论文进一步描述了模拟的历史预测。
使用cross_validation函数可以针对一系列历史数据截止点自动完成此交叉验证过程。我们指定预测范围（horizon），然后指定可选的初始训练周期（initial）的大小和截止点日期之间的间隔（period）。默认情况下，初始训练周期（initial）设置为预测范围（horizon）的三倍，并且每半个预测范围一个截止点。
输出cross_validation是一个dataframe，其中包含每个模拟预测日期(ds)和每个截止日期(cutoff)的真实值y，预测值yhat。特别是，对cutoff和cutoff horizon之间的每个观察点进行预测。然后，这个dataframe可以用于计算yhat和y的误差度量。
在这里，我们进行交叉验证，以评估365天的预测表现，从训练数据第730天开始为第一个截止点，然后每180天进行一次预测。在这8年的时间序列中，这相当于11个总预测(训练数据是2007/12/10 - 2016/01/20，因为最后一个截止点也要预测365天，所有最后一个cutoff在2015-01-20，第一个cutoff为2010-02-15，2015-01-20减去2010-02-15=1800天，1800/180 1=11)。
代码语言：javascript复制from fbprophet.diagnostics import cross_validation
df_cv = cross_validation(m, initial='730 days', period='180 days', horizon = '365 days')
df_cv.head() ds yhat yhat_lower yhat_upper y cutoff
0 2010-02-16 8.951414 8.427466 9.450795 8.242493 2010-02-15
1 2010-02-17 8.717693 8.224716 9.212075 8.008033 2010-02-15
2 2010-02-18 8.601236 8.052325 9.124939 8.045268 2010-02-15
3 2010-02-19 8.522942 8.031072 9.017550 7.928766 2010-02-15
4 2010-02-20 8.264680 7.798614 8.733420 7.745003 2010-02-15在R语言中，参数units必须是as.difftime类型，即周或比这个时间更短的。在Python中，initial，period和horizon应当采用Pandas Timedelta格式的字符串，接受天或比这个时间更短的单位。
performance_metrics可以通过预测度量（yhat，yhat_lower，yhat_upper对比y）计算一些有用统计，作为距截止点距离（预测到未来有多远）的函数。计算的统计量为均方误差（MSE），均方根误差（RMSE），平均绝对误差（MAE），平均绝对误差（MAPE）以及yhat_lower和yhat_upper估计的覆盖范围。这些是在df_cv按预测范围horizon（ds减cutoff）排序后的预测滚动窗口上计算的。默认情况下，每个窗口中都会包含10％的预测，但可以使用rolling_window参数进行更改。
代码语言：javascript复制from fbprophet.diagnostics import performance_metrics
df_p = performance_metrics(df_cv)
df_p.head() horizon mse rmse mae mape coverage
0 37 days 0.497400 0.705266 0.507702 0.058841 0.676565
1 38 days 0.503286 0.709427 0.512702 0.059420 0.675423
2 39 days 0.525588 0.724975 0.518825 0.060023 0.672682
3 40 days 0.532851 0.729967 0.521728 0.060334 0.673824
4 41 days 0.540234 0.735006 0.522736 0.060415 0.681361交叉验证度量指标可以通过使用plot_cross_validation_metric显示，这里显示的是MAPE。下图的点表示df_cv为每个预测的绝对百分比误差。蓝线显示MAPE，其中平均值取自点的滚动窗口。通过下图可以看到，对于未来一个月的预测，误差约为5％（0.05），对于一年的预测，误差增加到11％(0.11)左右。
# Python
from fbprophet.plot import plot_cross_validation_metric
fig = plot_cross_validation_metric(df_cv, metric='mape')
可以使用可选参数rolling_window更改图中滚动窗口的大小，该参数指定在每个滚动窗口中使用的预测比例。默认值为0.1，对应df_cv于每个窗口中包含的10％的行; 增加这将导致图中平均曲线更平滑。
initial期限应该足够长，以便捕获所有模型的组成部分，特别是seasonalities和额外的回归量：对于每年季节性至少为一年，对于每周季节性至少一周等。
