乘法季节性

默认情况下，Prophet 拟合的是加法季节性，也就是说，季节性的影响会被加到趋势上，从而得到预测结果。这个航空旅客人数的时间序列是一个加法季节性不起作用的例子。

# Rdf <- read.csv('../examples/example_air_passengers.csv')m <- prophet(df)future <- make_future_dataframe(m, 50, freq = 'm')forecast <- predict(m, future)plot(m, forecast)

# Pythondf = pd.read_csv('../examples/example_air_passengers.csv')m = Prophet()m.fit(df)future = m.make_future_dataframe(50, freq='MS')forecast = m.predict(future)fig = m.plot(forecast)

png

这个时间序列具有明显的年周期，但预测的季节性在时间序列开始时过大，在结束时过小。在这个时间序列中，季节性并不像先知所假设的那样是一个恒定的加法因子，而是随着趋势的发展而增长。这就是乘法季节性。

Prophet可以通过在输入参数中设置seasonality_mode='multiplicative'来模拟多重季节性。

# Rm <- prophet(df, seasonality.mode = 'multiplicative')forecast <- predict(m, future)plot(m, forecast)

# Pythonm = Prophet(seasonality_mode='multiplicative')m.fit(df)forecast = m.predict(future)fig = m.plot(forecast)

png

现在，components figure将以趋势的百分比显示季节性。

# Rprophet_plot_components(m, forecast)

# Pythonfig = m.plot_components(forecast)

png

如果使用seasonality_mode='multiplicative'，假日效应也将被模拟为乘数。任何增加的季节性因素或额外的回归器将默认使季节性模式’，但在增加季节性因素或回归器时，可以通过指定mode='additive或mode='multiplicative作为参数来覆盖。

例如，这个区块将内置的季节性设置为乘法，但包括一个加法的季度季节性和一个加法的回归器。

# Rm <- prophet(seasonality.mode = 'multiplicative')m <- add_seasonality(m, 'quarterly', period = 91.25, fourier.order = 8, mode = 'additive')m <- add_regressor(m, 'regressor', mode = 'additive')

# Pythonm = Prophet(seasonality_mode='multiplicative')m.add_seasonality('quarterly', period=91.25, fourier_order=8, mode='additive')m.add_regressor('regressor', mode='additive')

加法和乘法的额外回归因子将在成分图上的单独面板中显示出来。但请注意，它不太可能有加法和乘法季节性的混合，所以一般只有在有理由预期会出现这种情况时才会使用。