时序分析 26

时序预测 - Prophet包初探

前言

在本系列前面的文章中，我们介绍了多种时序预测技术和模型。我们可以看出时序预测技术还是非常复杂的，步骤也比较繁琐。读者可能还记得VAR模型的步骤繁多，牵涉到的知识点和概念也非常多。

本篇文章将要介绍Facebook开源的时序预测包Prophet. Prophet的设计者认为时序预测对于分析和使用该技术的人员来说，应该是简单的、易于使用的，而不需要把流行的标准方法全都走一遍。Prophet就是在这个设计初衷的基础上诞生的。

本文我们会用理论结合实践的方式来介绍Prophet包，且对比一下VAR模型和Prophet的预测效果。所采用的例子是一个金融问题，我们希望预测某个国家假想的食品饮料公司的月净销量，从2020年4月到12月，挖掘出在不确定的经济环境下的增长和损失。这其中做了一些假设：一个具有复杂供应链网络的企业，同时需要国内和国外的原材料供应；且客户渠道也是多种多样的，有国内渠道也有全球化渠道，因此公司将会非常受客户情感、零售业、工业生产和供应链影响。也就是说，公司整体对采购、生产、分发非常敏感，无论是国内和全球。

时序预测问题

首先，时序预测问题是一个非常复杂的问题，但是其意义重大。最常见的问题是关于销售量的，企业数据科学家、业务分析师和管理者都希望测量出潜在的增长、损失的可能性和在某些困难时期的不确定性。另外，时序预测在天气、股票市场、宏观经济(GDP)、电子商务、零售等领域问题都有很强的需求。

其次，预测未来是非常困难的。虽然时序预测的方法不少，例如ARIMA(可参见笔者另一篇文章时序分析(6) – ARIMA(p,d,q)模型)，SARIMA，还有近年比较流行的LSTM，但这些方法的缺点比较明显，我们知道前两种方法比较适合于单变量时序预测；而LSTM是一种黑盒方法，其可解释性比较低。本文我们会用理论结合实践的方式来介绍Prophet包，且对比一下VAR模型(可参见笔者另外一篇时序分析 19 向量自回归 (VAR))文章和Prophet的预测效果。
再次，VAR是一种多变量回归模型，它可以同时预测多个时序；Prophet是单变量预测，但是具备添加附加因子的能力。

最后，笔者理解基于数据科学的预测问题都是挖掘数据的历史特征和规律，而这种特征和规律在未来还会出现，这是预测可以成为可能的底层逻辑。如果新的特征和规律出现或者旧的模式已经失效，预测是不可能准确的。

Prophet基本模式

Prophet是建立在通用加性模型(GAM, Generative Additive Model)的基础上的。
y(t)=g(t)+s(t)+h(t)+ϵt{\LARGE y(t)=g(t)+s(t)+h(t)+\epsilon_t }y(t)=g(t)+s(t)+h(t)+ϵt

g(t)g(t)g(t) 代表趋势函数
s(t)s(t)s(t) 代表季节性或者周期性变化，例如每星期、每年.
h(t)h(t)h(t) 代表节假日因素
而ϵt\epsilon_tϵt是没有被模型捕获的误差项。

Prophet考虑了趋势因素和周期性因素，这都是在零售、经济和金融上出现非常多的模式，而节假日因素通常会影响时序的波动。Prophet的基本理念还是聚焦在实践序列的组成成分，例如频率、周期性、趋势性和领域知识，其中最后一点非常重要。

1. 导入包

import pandas as pd
import numpy as npimport matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['figure.figsize'] = 16, 10
import seaborn as sns
sns.set_style('ticks')
%matplotlib inlinefrom fbprophet import Prophet
from fbprophet.diagnostics import cross_validationimport statsmodels.api as sm
from statsmodels.tsa.api import VAR
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.tools.eval_measures import rmse, aicimport os
from IPython.display import HTML

2. 读入数据并进行数据清洗

### disable scientific notation in pandas
pd.set_option('display.float_format', '{:.2f}'.format) ### isplay up to 2 decimal ptssalesdf = pd.read_csv('E:\datasets\salesdf.csv')
salesdf ['Date'] = pd.DatetimeIndex(salesdf ['Date'])pd.set_option('display.max_rows', 10)
salesdf.head()

以上数据是对德国净销量的假想数据

以下宏观经济指标数据，例如单位资本全国生产总值，消费价格平均通货膨胀，失业率来源于 IMF, https://www.imf.org/external/pubs/ft/weo/2020/01/weodata/index.aspx
而进出口数据来源于 OECD, https://data.oecd.org/trade/trade-in-goods-and-services-forecast.htm

all_indicators = pd.read_csv('E:\datasets\economic_indicator_yearly.csv')### Interpolate the data monthly
### Specifically, we change the frequency from yearly to monthly and interpolate the missing data using linear intepolationall_indicators['Date'] = pd.DatetimeIndex(all_indicators['Date'])
all_indicators = all_indicators.set_index('Date', drop=True)
all_indicators = all_indicators.groupby(['Country']).resample('MS').mean()
all_indicators = all_indicators.interpolate().reset_index()
all_indicators.head()

合并所有指标

#### Merge all indicators in a single DataFramemasterdf = salesdf.merge(all_indicators, how='outer', on='Date')
masterdf = masterdf.drop('Country', 1)
masterdf.head()

上表中展示了多个宏观经济指标，其中GDP、通货膨胀和失业率来源于IMF；贸易数据来源于OECD。

3. VAR模型预测德国的净销量

我们将使用OECD和IMF作为附加因子预测净月销量。通过Granger因果测试和Johansen协整测试，从八个宏观经济指标和贸易指标中，过滤出GDP、平均消费价格和净贸易这三个变量是与月销量具备线性关系的。

3.1 选择经过Granger因果测试和Johansen 协整测试选择后的列

协整测试可参见笔者另外一篇文章时序分析 15 协整序列
Granger因果测试后面会有简单介绍，日后可能会下一篇文章专门介绍。

choose_cols = ['Date','Net Sales',
#             'Gross domestic product per capita, constant prices','Gross domestic product, current prices','Inflation, average consumer prices',
#             'Unemployment rate',
#             'Export',
#             'Export Market Growth',
#             'Import', 'Net Trade']masterdf = masterdf[choose_cols]

# ## Keep the masterdf intact, select current data until March as current dataalldf = masterdf.copy()
alldf.index = pd.DatetimeIndex(alldf.Date)
alldf = alldf.sort_index()### fill any missing values on previous date using backfill
alldf = alldf.fillna(method='bfill')alldf.index = pd.DatetimeIndex(alldf.Date)
alldf = alldf[alldf.index < '2020-04-01']
alldf = alldf.reset_index(drop=True)## we rename date as 'ds' and Net Sales as 'y'
## Prophet makes it compulsory to rename these columns as such
alldf = alldf.rename(columns={'Date':'ds','Net Sales':'y'})
# alldf['ds'] = pd.to_datetime(alldf['ds'])tsdf = alldf.copy()
tsdf['ds'] = pd.to_datetime(tsdf['ds'])
tsdf.index = pd.DatetimeIndex(tsdf.ds)
tsdf = tsdf.drop('ds', 1)

季节分解

from statsmodels.tsa.seasonal import seasonal_decomposeresult = seasonal_decompose(alldf['y'], model='additive', period=12)
result.plot()

正态分布测试
画出QQ-Plot

from scipy import statsstat, p = stats.normaltest(tsdf.y)
print('Statistics=%.3f, p=%.3f' % (stat, p))
alpha = 0.05
if p > alpha:print('Data looks Gaussian (fail to reject H0)')
else:print('Data does not look Gaussian (reject H0)')print('Kurtosis of Normal Dist: {}'.format(stats.kurtosis(tsdf.y)))
print('Skewness of Normal Dist: {}'.format(stats.skew(tsdf.y)))    stats.probplot(tsdf['y'], plot=plt)

Statistics=3.566, p=0.168
Data looks Gaussian (fail to reject H0)
Kurtosis of Normal Dist: -0.46679521297409465
Skewness of Normal Dist: 0.38404204508729184

简要介绍一下Granger因果测试
Granger因果测设主要用来检验一组实践序列是否是影响另一组实践序列的原因，Granger因果关系意味着一组时序数据对另一组时序数据有显著性的影响。测设方法是基于回归检验的。原假设是并不存在因果关系。
下面test方法制定了ssr_chi2test,这个参数如果是‘params_ftest’, ‘ssr_ftest’是F分布；‘ssr_chi2test’, ‘lrtest’是卡方分布。

from statsmodels.tsa.stattools import grangercausalitytests
maxlag=12
test = 'ssr_chi2test' df = pd.DataFrame(np.zeros((len(tsdf.columns), len(tsdf.columns))), columns=tsdf.columns, index=tsdf.columns)
for c in df.columns:for r in df.index:test_result = grangercausalitytests(tsdf[[r, c]], maxlag=maxlag, verbose=False)p_values = [round(test_result[i+1][0][test][1],4) for i in range(maxlag)]min_p_value = np.min(p_values)df.loc[r, c] = min_p_value
df.columns = [var + '_x' for var in tsdf.columns]
df.index = [var + '_y' for var in tsdf.columns]grangerdf = dfgrangerdf

Johanson协整测试

from statsmodels.tsa.vector_ar.vecm import coint_johansenalpha = 0.05
out = coint_johansen(tsdf,-1,5)
d = {'0.90':0, '0.95':1, '0.99':2}
traces = out.lr1
cvts = out.cvt[:, d[str(1-alpha)]]
def adjust(val, length= 6): return str(val).ljust(length)# # Summary
col_name =[]
trace_value = []
cvt_value = []
indicator = []
for col, trace, cvt in zip(tsdf.columns, traces, cvts):col_name.append(col)trace_value.append(np.round(trace, 2))cvt_value.append(cvt)indicator.append(trace> cvt)d = {'Name':col_name, 'Test Stat' : trace_value, 'Critical Value (95%)': cvt_value, 'Significance': indicator}
cj = pd.DataFrame(d)
cj[['Name', 'Test Stat', 'Critical Value (95%)', 'Significance']]

## Split to traning and test
nobs = 10
df_train,df_test = tsdf[0:-nobs],tsdf[-nobs:]
print(df_train.shape)
print(df_test.shape)

(90, 4)
(10, 4)

对训练集使用Augmented Dickey Fuller Test检验其平稳性

def adf(data,  variable=None, signif=0.05, verbose=False):r = adfuller(data, autolag='AIC')output = {'test_statistic':np.round(r[0], 4), 'pvalue':np.round(r[1], 4), 'n_lags':np.round(r[2], 4), 'n_obs':r[3]}p_value = output['pvalue']# Print Summaryprint(' Augmented Dickey-Fuller Test on ', variable)print(' Null Hypothesis: Variable is Non-Stationary.')print(' Significance Level         = ', signif)print(' Test Statistic             = ', output["test_statistic"])print(' No. Lags Chosen (lowest AIC)= ', output["n_lags"])for key,val in r[4].items():print(' Critical value', key, np.round(val, 3))if p_value <= signif:print("p-Value = ", p_value, ". P value is less than critical value. Reject Null H. Series is Stationary.")else:print("p-Value = ", p_value, ".  P value is not less than critical value. Weak evidence to reject the Null H. Series is Non-Stationary")

# ADF Test on each column
for name, column in df_train.iteritems():adf(column, variable=column.name)print('\n')

由于不平稳，做一阶和二阶差分

# 1st order differencing
df_differenced = df_train.diff().dropna()# 2nd order differencing
df_differenced = df_differenced.diff().dropna()

fig, ax = plt.subplots(2,1, figsize=(12.5,7.5))df_train.reset_index()['y'].plot(ax=ax[0])
df_differenced.reset_index()['y'].plot(ax=ax[1])
ax[0].set_title('Net Sales - Actual')
ax[1].set_title('Net Sales - 2nd order differenced')

Text(0.5, 1.0, ‘Net Sales - 2nd order differenced’)

# ADF Test on each column
for name, column in df_differenced.iteritems():adf(column, variable=column.name)print('\n')

画出自相关和偏相关图进一步观察平稳性

from statsmodels.graphics.tsaplots import plot_acf, plot_pacffig, ax = plt.subplots(2,1, figsize=(10,6))
plot_acf(tsdf['y'], ax=ax[0])
plot_pacf(tsdf['y'], ax=ax[1])

差分后自相关和偏相关

from statsmodels.graphics.tsaplots import plot_acf, plot_pacffig, ax = plt.subplots(2,1, figsize=(10,6))
plot_acf(df_differenced['y'], ax=ax[0])
plot_pacf(df_differenced['y'], ax=ax[1])

通过比较AIC ，BIC, FPE, HQIC选择VAR模型的最优lag

# call the model and insert the differenced data
model = VAR(df_differenced)
x = model.select_order(maxlags=12)
x.summary()

选择lag4

# 选择lag4
## lag 4 seems decent, we choose lag 4 and fit it into the model model_fitted = model.fit(4)
model_fitted.summary()

使用Durbin-Watson检验残差序列相关性

from statsmodels.stats.stattools import durbin_watson
out = durbin_watson(model_fitted.resid)for col, val in zip(tsdf.columns, out):print(col, ':', round(val, 2))

y : 2.2
Gross domestic product, current prices : 2.01
Inflation, average consumer prices : 1.98
Net Trade : 2.02

# Get the lag order
lag_order = model_fitted.k_ar
print(lag_order) # Separate input data for forecasting
# the goal is to forecast based on the last 4 inputs (since the lag is 4)
forecast_input = df_differenced.values[-lag_order:]

# Forecast
## we insert the last four values and inform the model to predict the next 10 valuesfc = model_fitted.forecast(y=forecast_input, steps=nobs)## organize the output into a clear DataFrame layout, add '_f' suffix at each column indicating they are the forecasted values
df_forecast = pd.DataFrame(fc, index=tsdf.index[-nobs:], columns=tsdf.columns + '_f')
df_forecast

把数据从差分结果反转到原始数据尺度

# get a copy of the forecast
df_fc = df_forecast.copy()# get column name from the original dataframe
columns = df_train.columns# Roll back from the 1st order differencing
# we take the cumulative sum (from the top row to the bottom) for each of the forecasting data,
## and the add to the previous step's original value (since we deduct each row from the previous one)
## we rename the new forecasted column with the prefix 'forecast'# for col in columns:
#     df_fc[str(col)+'_forecast'] = df_train[col].iloc[-1] + df_fc[str(col)+'_f'].cumsum()## if you perform second order diff, make sure to get the difference from the last row and second last row of df_train
for col in columns:df_fc[str(col)+'_first_differenced'] = (df_train[col].iloc[-1]-df_train[col].iloc[-2]) + df_fc[str(col)+'_f'].cumsum()df_fc[str(col)+'_forecast'] = df_train[col].iloc[-1] + df_fc[str(col)+'_first_differenced'].cumsum()
df_results = df_fc

df_results.loc[:, [ 'y_forecast', 'Gross domestic product, current prices_forecast',     'Inflation, average consumer prices_forecast', 'Net Trade_forecast']]

forecast = df_results['y_forecast'].values
actual = df_test['y']mae = np.mean(np.abs(forecast - actual))    # MAE
rmse = np.mean((forecast - actual)**2)**.5  # RMSE
mape = np.mean(np.abs(forecast - actual)/np.abs(actual))  # MAPE
print('Mean Absolute Error           : ', mae)
print('Root Mean Squared Error       : ',rmse)
print('Mean Absolute Percentage Error: ',mape)

Mean Absolute Error : 445641.1508824545
Root Mean Squared Error : 522946.3865355065
Mean Absolute Percentage Error: 0.0999243747966973

## you can use the statsmodels plot_forecast method but the output is not clean
fig = model_fitted.plot_forecast(10)

fig, ax = plt.subplots(figsize=(12, 5))df_test.reset_index()['y'].plot(color='k', label='Actual')
df_results.reset_index()['y_forecast'].plot(color='r', label='Predicted')plt.title('VAR Model: Predicted vs Actual on Test Set (June 2019 - Mar 2020)')
ax.legend()

看上去VAR模型的预测结果很一般。

应用Prophet

m = Prophet(seasonality_mode='multiplicative',growth='linear',yearly_seasonality=True,mcmc_samples=1000,changepoint_prior_scale = 0.001,)

Prophet的高阶函数需要对列名进行标准化，时间列命名为ds，而待预测变量命名为y。

seasonality_mode参数设为’multiplicative’,意味着周期性为乘性的，是对比于’additive‘。 growth=‘linear’，是指增长为线性。当然也可指定为logistic growth model，也是比较普遍的，例如经济变革周期、人口增长和流行病模型(新冠肺炎)
weekly_seasonality=False 和 yearly_seasonality=True, 缺省情况下，Prophet会用使用哑元变量来拟合weekly_seasonality;使用傅里叶变换来拟合yearly_seasonality。

mcmc_samples=1000: 缺省情况下，Prophet只会在趋势上计算不确定性，无论时序是增长趋势还是下降趋势。如果要在周期性上探测不确定性，需要Prophet进行贝叶斯采样。这里我们使用1000个采样点来估算后验分布。

changepoint_prior_scale = 0.001：Prophet定义变点为轨迹上的异常突变点。如果我们了解在某个期间内存在突变，我们是可以定制化突变点的，但在缺省情况下，Prophet将会自动探测（缺省值为0.05)。这里我们降低这个值是为了避免太多的突变点。

cols = np.array(alldf.columns)
modified_array = np.delete(cols, np.where(cols == 'y'))
modified_array2 = np.delete(modified_array, np.where(modified_array == 'ds'))
alldf_regressor = modified_array2

m.add_regressor('Gross domestic product, current prices', prior_scale=0.5, mode='multiplicative')
m.add_regressor('Inflation, average consumer prices', prior_scale=0.5, mode='multiplicative')
m.add_regressor('Net Trade', prior_scale=0.5, mode='multiplicative')

当我们拟合模型后，我们可以增加在VAR模型中探测出的其他变量作为附加因子。因为回归因子在过去和未来都必须是已知的，这意味着如果我们需要预测12月的数据，我们必须知道未来12月的GDP，所以我们使用了OECD预测的GDP数据。

m.fit(alldf)

准备预测2020年4月到12月的净月销量

future = m.make_future_dataframe(periods=9, freq='MS')
future.tail(9)

masterdf2 = masterdf.reset_index().rename(columns={'Date':'ds'})
masterdf2['ds'] = pd.to_datetime(masterdf2['ds'])
baseline_future = future.merge(masterdf2.loc[:, modified_array], how='left', on='ds')
baseline_future = baseline_future.fillna(method='ffill')
baseline_future = baseline_future.fillna(method='bfill')
baseline_future.tail(9)

预测值记为yhat

forecast = m.predict(baseline_future)result = pd.concat([forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']], alldf[['y']]], 1)
result.tail(12)

画出图像
黑点代表实际数据，蓝线代表拟合数据，而阴影区域代表不确定区间。

fig, ax = plt.subplots(figsize=(15, 6.5))m.plot(forecast, ax=ax)
ax.set_title('Net Sales - DEC 2020: BASELINE FORECAST ', size=15)

我们可以观察预测数据的主要成分而得到其趋势。

m.plot_components(forecast)

预测的销量增长率

a = result.loc[pd.DatetimeIndex(result['ds']).year == 2019, 'y'].sum()
b = result.loc[pd.DatetimeIndex(result['ds']).year == 2020, 'yhat'].sum()(b - a)/ a

0.16700018251482737

交叉验证和性能指标

from fbprophet.diagnostics import cross_validation
df_cv = cross_validation(m, initial='730 days', # how many days we want to start training the dataperiod='90 days', # do the forecast every x days (in this case, every quarter)horizon = '270 days')
df_cv.head()

from fbprophet.diagnostics import performance_metrics
df_p = performance_metrics(df_cv)
df_p.head()

模型的交叉验证对于评估模型的准确性至关重要。通过区间式地把数据分成训练集和测试集，我们可以更加精确地估算预测误差。把交叉验证数据传入性能指标函数，可以帮助我们计算出每个期间地MSE(Mean Squared Error)、RMSE(Root Mean Squared Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)。这四个指标中的前三个是依赖于数据地尺度的，而最后一个是尺度无关的。

from fbprophet.plot import plot_cross_validation_metric
plot_cross_validation_metric(df_cv, metric='mape')

由于MAPE是尺度无关的，所以我们采用这个指标来判断模型性能，上图画出了MAPE随时间变化的情况。最小为13%，效果还不错。

场景分析

现在，我们希望估算GDP的下降和其他经济指标对销量增长的影响。
下面，我们建立了一个新的数据框名为future2，填入各个回归因子的值，但会把这些值降低5%。如果我们认为经济环境会更差，可以把这些值再降低一些。然后，使用刚才训练的模型来进行预测。

future2 = future.merge(masterdf2.loc[:, modified_array], how='left', on='ds')future2.iloc[-8:, 1:] = future2.iloc[-8:, 1:].apply(lambda x : x * 0.95)scenario_forecast = m.predict(future2)
scenario_result = pd.concat([scenario_forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']], alldf[['y']]], 1)

future2.iloc[-8:, 1:] = future2.iloc[-8:, 1:].apply(lambda x : x * 0.95)scenario_forecast = m.predict(future2)
scenario_result = pd.concat([scenario_forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']], alldf[['y']]], 1)
scenario_result.tail(12)

fig, ax = plt.subplots(figsize=(15, 6.5))m.plot(forecast, ax=ax)
ax.set_title('Net Sales - SCENARIO FORECAST UP TO DEC 2020')

a = scenario_result.loc[pd.DatetimeIndex(scenario_result['ds']).year == 2019, 'y'].sum()
b = scenario_result.loc[pd.DatetimeIndex(scenario_result['ds']).year == 2020, 'yhat'].sum()
(b - a) / a

0.11716962913373659

这种场景分析下，我们预测销售增长小于12%。

这次的话题就先聊到这儿了，日后笔者会带来关于Prophet介绍更为详细的文章。

时序分析 26 - 时序预测 Prophet包初探相关推荐

时序预测工具库（Prophet）介绍+代码
时序预测工具库(Prophet) 一.Prophet 简介二.Prophet 适用场景三.Prophet 算法的输入输出四.Prophet 算法原理五.与机器学习算法的对比六.代码 6.1 ...
时序分析 44 -- 时序数据转为空间数据 (三) 格拉姆角场 python 实践（上）
格拉姆角场 python实践时序预测问题是一个古老的问题了,在笔者关于时序分析的系列中已经介绍了多种时序预测分析技术和方法.本篇我们将使用一种新的思路来进行时序预测:对金融数据进行GAF(格拉姆角场 ...
python rpy2时间序列_时间序列（二）：时序预测那些事儿
在上一篇文章中,我们简略介绍了与时间序列相关的应用,这次我们聚焦于时间序列的预测,讲讲与之相关的那些事. 1. 效果评估设 y 是时间序列的真实值, yhat 是模型的预测值.在分类模型中由于y是离 ...
时序预测的三种方式：统计学模型、机器学习、循环神经网络
作者 | luanhz 来源 | 小数志导读时序预测是一类经典的问题,在学术界和工业界都有着广泛的研究和应用.甚至说,世间万物加上时间维度后都可抽象为时间序列问题,例如股票价格.天气变化等等.关于 ...
用于金融时序预测的神经网络：可改善经典的移动平均线策略
北京上海巡回站 | NVIDIA DLI深度学习培训 2018年1月26/1月12日 NVIDIA 深度学习学院带你快速进入火热的DL领域阅读全文 ...
详解NLP和时序预测的相似性【附赠AAAI21最佳论文INFORMER的详细解析】
摘要:本文主要分析自然语言处理和时序预测的相似性,并介绍Informer的创新点. 前言时序预测模型无外乎RNN(LSTM, GRU)以及现在非常火的Transformer.这些时序神经网络模型的主 ...
作为深度学习最强框架的TensorFlow如何进行时序预测！（转）
作为深度学习最强框架的TensorFlow如何进行时序预测! BigQuant 2 个月前摘要: 2017年深度学习框架关注度排名tensorflow以绝对的优势占领榜首,本文通过一个小例子介绍了T ...
使用条件分布模态流进行多变量概率时序预测
使用条件分布模态流进行多变量概率时序预测译者的话时序预测是一个古老的话题.有许多基于数理统计的经典算法曾经大放异彩.但随着大数据时代的到来,数据量的急剧增长以使得传统的分析方式在可行性上已初现窘迫 ...
【时序预测】之水质净化厂工艺控制-曝气量预测
一.[时序预测]之水质净化厂工艺控制-曝气量预测竞赛地址: https://www.datafountain.cn/competitions/602 1.大赛背景为推进智慧水务建设,激发数字化创新 ...

时序分析 26 - 时序预测 Prophet包初探