二郎真君騰云去，天蓬元帥駕霧來。若不想像地球一樣被流浪，就要做好“負荷預測”這一條，這樣才能在電力市場浪。

新年新氣象，我們負荷預測小組也在銳意進取，不斷地推陳出新，努力的探索著新的模型、新的方法，獲得新的成果。

今天給大家介紹一下這個新的時間序列預測的工具：Prophet（這可是facebook開源的哦）。俗話說：大廠出品，必屬精品。那prophet的效果怎么樣呢，不用看大屏幕，往下翻就是了。

Prophet（先知）到底是一個怎樣的工具呢？我們先來看一下官方的介紹：

Tool for producing high quality forecasts for time series data that has multiple seasonality with linear or non-linear growth.

為具有線性或非線性增長的多重季節(jié)性的時間序列數據提供高質量預測的工具。

看不懂沒關系，下面就給大家簡單的解釋一下：

在時間序列分析領域，有一種比較常見的分析方法叫時間序列分解模型，也就是把隨著時間變化的數據（在我們這里就是負荷）分解成如下圖示的四部分：

時間序列是由這四部分進行數學運算的結果：通常有相加，相乘，和取對數的結果。

這個就好比結婚后的兩個人，在某些場景下比如日常開銷是兩人相加，另外一些場景比如秀恩愛時幸福感是兩人相乘，當然如果鬧情緒了，幸福感估計得取對數……. 這個跟現(xiàn)在某投資機構投資一個創(chuàng)業(yè)公司，PPT上都會寫上“投資機構×某某公司”是一樣的道理。

文字描述比較抽象，我們看圖：下圖上面是趨勢項，下面是季節(jié)變動項。使用回歸的方法擬合趨勢項，預測未來的趨勢項的值，再加上周期項得到預測的時間序列。

圖一

Prophet就是在這基礎上做了一定的改進和優(yōu)化，使用線性回歸和邏輯回歸對趨勢項進行預測，同時考慮了節(jié)假日效應的分析。鑒于大家對上期的反響（寫的太不具有雞湯屬性），這些就不對其技術原理做深入介紹了。

這一期我們選取房地產行業(yè)在春節(jié)時段的負荷?？吹竭@個選題，小編在波瀾不驚的表情下面瑟瑟發(fā)抖：光看“春節(jié)期間”、“2018年的房地產”就知道負荷有多么的不穩(wěn)定。為了非傷害目的的對比，我們自己建立的ARIMA趨勢分解模型，跟Prophet模型的預測結果放一起奉獻給大家。

先看一下2019從開年到春節(jié)期間，這段時間該行業(yè)負荷的真實值情況，如下圖二示。

圖二

如你所見，走的是拉風的“微軟”路線，2月3號后趨向平穩(wěn)。并且從日用電規(guī)律來看，春節(jié)期間和之前序列的周期性發(fā)生了明顯的變化，周期的幅度大幅減小。

而趨勢分解的方法要求周期規(guī)律是穩(wěn)定的，所以使用非春節(jié)的歷史負荷訓練的模型來預測春節(jié)的負荷的時候會出現(xiàn)一個問題：周期項的周期幅度會過大。現(xiàn)在讓我們看下結果：

圖三

上面說過Prophet在分解的時候將節(jié)假日的情況也單獨分解出來了，同時為了消除非春節(jié)的歷史數據集對春節(jié)的影響，我們使用變化規(guī)律比較穩(wěn)定的時段作為訓練集， 使用線性回歸取預測趨勢項。

可以看到在1月30日~2月2日和2月3日~2月6日這兩個時段預測值的趨勢變化是線性的，而在2月2日前后，真實值并不是完全線性的，所以預測出來的準確率會低一些，這個結果也在意料之中。

圖四

我們在使用ARIMA趨勢分解建模的時候，使用ARIMA去預測趨勢項。同時為了應對周期規(guī)律變化的問題，取預測時間的近期數據來計算周期項，作為預測的周期項，再進行計算，這樣得到的周期項會更加貼近預測當天的周期規(guī)律。

可以看出：兩種方法都能夠比較好的反映出時間序列的趨勢變化和周期性規(guī)律，對具有周期性的時間序列，有顯著的效果。即使在面對春節(jié)這樣周期性規(guī)律變化比較大的場景下，也可以得到我們預期的效果。

使用ARIMA對趨勢項進行預測，效果會略好一些。這個結論是給小編最幸福的安慰。

當然，以后我們的模型會越來越好，越來越完善，同時歡迎有興趣的各位前來交流討論。下期我們將會介紹 BSTS貝葉斯結構時間序列模型（Bayesian Structural Time Series），敬請期待。

本文版權歸“匯電云聯(lián)”所有，轉載請聯(lián)系作者。