Как можно улучшить результаты прогнозирования с помощью перекрестной проверки Пророка? - PullRequest
1 голос
/ 21 января

У меня есть данные по ежедневному спросу за 10 лет с положительной тенденцией. https://gofile.io/?c=PS3YCO

В последние три месяца года всегда наблюдается шок спроса на 1-2. и 15-16. месяца (акции).

Я пытался прогнозировать это с помощью:

future = m.make_future_dataframe (периоды = 365)

прогноз = m.predict (будущее)

Но результат оказался не таким, как я ожидал. Лучшее MSE, которое я мог получить, было 6681. Но когда я пробую перекрестную проверку, результат почти одинаков с 6690.

  • Могу ли я что-то изменить в своих настройках, чтобы получить лучшие результаты?
  • Поможет ли это получить больший набор данных, скажем, за 50 лет?
  • В целом: я правильно понял, что вы используете "прогноз = m.predict (будущее)" ИЛИ вы используете опция перекрестной проверки?

Также: когда я использую "из fbprophet.diagnostics import performance_metrics" для вычисления MSE, это дает мне значения для тестовых данных, но на более длительный период. Как я могу просто рассчитать MSE за последний год?

Большое вам спасибо за помощь:)

import numpy as np
from fbprophet import Prophet
import matplotlib.pyplot as plt
from fbprophet.diagnostics import cross_validation

df = pd.read_excel('Dataset2.3_kurz.xls')   

promotions = pd.DataFrame({ 
 'holiday': 'winter_promotion',
    'ds': pd.to_datetime(['2009-10-1','2009-10-2','2009-10-15','2009-10-16',
                          '2009-11-1','2009-11-2','2009-11-15','2009-11-16',
                          '2009-12-1','2009-12-2','2009-12-15','2009-12-16',
                          '2010-10-1','2010-10-2','2010-10-15','2010-10-16',
                          '2010-11-1','2010-11-2','2010-11-15','2010-11-16',
                          '2010-12-1','2010-12-2','2010-12-15','2010-12-16',
                          '2011-10-1','2011-10-2','2011-10-15','2011-10-16',
                          '2011-11-1','2011-11-2','2011-11-15','2011-11-16',
                          '2011-12-1','2011-12-2','2011-12-15','2011-12-16',
                          '2012-10-1','2012-10-2','2012-10-15','2012-10-16',
                          '2012-11-1','2012-11-2','2012-11-15','2012-11-16',
                          '2012-12-1','2012-12-2','2012-12-15','2012-12-16',
                          '2013-10-1','2013-10-2','2013-10-15','2013-10-16',
                          '2013-11-1','2013-11-2','2013-11-15','2013-11-16',
                          '2013-12-1','2013-12-2','2013-12-15','2013-12-16',
                          '2014-10-1','2014-10-2','2014-10-15','2014-10-16',
                          '2014-11-1','2014-11-2','2014-11-15','2014-11-16',
                          '2014-12-1','2014-12-2','2014-12-15','2014-12-16',
                          '2015-10-1','2015-10-2','2015-10-15','2015-10-16',
                          '2015-11-1','2015-11-2','2015-11-15','2015-11-16',
                          '2015-12-1','2015-12-2','2015-12-15','2015-12-16',
                          '2016-10-1','2016-10-2','2016-10-15','2016-10-16',
                          '2016-11-1','2016-11-2','2016-11-15','2016-11-16',
                          '2016-12-1','2016-12-2','2016-12-15','2016-12-16',
                          '2017-10-1','2017-10-2','2017-10-15','2017-10-16',
                          '2017-11-1','2017-11-2','2017-11-15','2017-11-16',
                          '2017-12-1','2017-12-2','2017-12-15','2017-12-16',
                          '2018-10-1','2018-10-2','2018-10-15','2018-10-16',
                          '2018-11-1','2018-11-2','2018-11-15','2018-11-16',
                          '2018-12-1','2018-12-2','2018-12-15','2018-12-16',
                          '2019-10-1','2019-10-2','2019-10-15','2019-10-16',
                          '2019-11-1','2019-11-2','2019-11-15','2019-11-16',
                          '2019-12-1','2019-12-2','2019-12-15','2019-12-16']),
    'lower_window': 0, 
    'upper_window': 0, 
})

#model
m = Prophet( growth='linear',
           holidays=promotions,
           seasonality_mode='multiplicative',

           holidays_prior_scale=10,  
           seasonality_prior_scale=10,            
            yearly_seasonality=True,
           )

m.fit(df)  

df_cv = cross_validation(m, initial='732 days', period='365 days', horizon = '366 days')

from fbprophet.diagnostics import performance_metrics
df_p = performance_metrics(df_cv)
df_p = df_p[-365:]
df_p.tail()

...