Prophet面试题
1. 简要介绍Prophet
常见的时间序列分解方法:
将时间序列分成季节项
S
t
S_t
St,趋势项
T
t
T_t
Tt,剩余项
R
t
R_t
Rt,即对所有的
t
≥
0
t≥0
t≥0
y
t
=
S
t
+
T
t
+
R
t
y_{t}=S_{t}+T_{t}+R_{t}
yt=St+Tt+Rt
y t = S t × T t × R t y_{t}=S_{t} \times T_{t} \times R_{t} yt=St×Tt×Rt
ln y t = ln S t + ln T t + ln R t \ln y_{t}=\ln S_{t}+\ln T_{t}+\ln R_{t} lnyt=lnSt+lnTt+lnRt
fbprophet 的在此基础上,添加了节日项。
y
(
t
)
=
g
(
t
)
+
s
(
t
)
+
h
(
t
)
+
ϵ
t
y(t)=g(t)+s(t)+h(t)+\epsilon_{t}
y(t)=g(t)+s(t)+h(t)+ϵt
2. 趋势项模型
-
基于逻辑回归
sigmoid 函数为
σ ( x ) = 1 / ( 1 + e − x ) \sigma(x)=1 /\left(1+e^{-x}\right) σ(x)=1/(1+e−x)
prophet在逻辑回归的基础上添加了随时间变化的参数,那么逻辑回归就可以改写成:
f ( x ) = C ( t ) ( 1 + e − k ( t ) ( x − m ( t ) ) ) f(x)=\frac{C(t)}{\left(1+e^{-k(t)(x-m(t))}\right)} f(x)=(1+e−k(t)(x−m(t)))C(t)
这里的 C C C 称为曲线的最大渐近值, k k k 表示曲线的增长率, m m m 表示曲线的中点。当 C = 1 , k = 1 , m = 0 C=1, k=1, m=0 C=1,k=1,m=0时,恰好就是大家常见的 sigmoid 函数的形式。 -
基于分段线性函数
g ( t ) = C ( t ) 1 + exp ( − ( k + a ( t ) t δ ) ⋅ ( t − ( m + a ( t ) T γ ) g(t)=\frac{C(t)}{1+\exp \left(-\left(k+\boldsymbol{a}(t)^{t} \boldsymbol{\delta}\right) \cdot\left(t-\left(m+\boldsymbol{a}(t)^{T} \boldsymbol{\gamma}\right)\right.\right.} g(t)=1+exp(−(k+a(t)tδ)⋅(t−(m+a(t)Tγ)C(t)
k k k表示变化量a j ( t ) a_{j}(t) aj(t)表示指示函数:
a j ( t ) = { 1 , if t ≥ s j 0 , otherwise a_{j}(t)=\left\{\begin{array}{l}1, \text { if } t \geq s_{j} \\ 0, \text { otherwise }\end{array}\right. aj(t)={1, if t≥sj0, otherwise
δ j \delta_{j} δj表示在时间戳 s j s_{j} sj上的增长率的变化量γ j \gamma_{j} γj确定线段边界
γ j = ( s j − m − ∑ ℓ < j γ ℓ ) ⋅ ( 1 − k + ∑ ℓ < j δ ℓ k + ∑ ℓ ≤ j δ ℓ ) \gamma_{j}=\left(s_{j}-m-\sum_{\ell<j} \gamma_{\ell}\right) \cdot\left(1-\frac{k+\sum_{\ell<j} \delta_{\ell}}{k+\sum_{\ell \leq j} \delta_{\ell}}\right) γj= sj−m−ℓ<j∑γℓ ⋅(1−k+∑ℓ≤jδℓk+∑ℓ<jδℓ)
其中:
a ( t ) = ( a 1 ( t ) , ⋯ , a S ( t ) ) T , δ = ( δ 1 , ⋯ , δ S ) T , γ = ( γ 1 , ⋯ , γ S ) T \boldsymbol{a}(t)=\left(a_{1}(t), \cdots, a_{S}(t)\right)^{T}, \boldsymbol{\delta}=\left(\delta_{1}, \cdots, \delta_{S}\right)^{T}, \boldsymbol{\gamma}=\left({\gamma}_{1}, \cdots, \gamma_{S}\right)^{T} a(t)=(a1(t),⋯,aS(t))T,δ=(δ1,⋯,δS)T,γ=(γ1,⋯,γS)T
3. 变点的选择
在 Prophet 算法中,需要给出变点的位置,个数,以及增长的变化率:
-
changepoint_range
changepoint_range 指的是百分比,需要在前 changepoint_range 那么长的时间序列中设置变点
-
n_changepoint
n_changepoint 表示变点的个数,在默认的函数中是 n_changepoint = 25
-
changepoint_prior_scale。
changepoint_prior_scale 表示变点增长率的分布情况
δ j ∼ Laplace ( 0 , τ ) \delta_{j} \sim \operatorname{Laplace}(0, \tau) δj∼Laplace(0,τ)
T \mathcal{T} T就是 change_point_scale
4. 对未来的预估
对于已知的时间序列,可以手动设置s个变点
对于预测的数据模型使用Poisson分布找到新增的变点,然后与已知的变点进行拼接
5. 季节性趋势
时间序列通常会随着天,周,月,年等季节性的变化而呈现季节性的变化,也称为周期性的变化
prophet算法使用傅立叶级数来模拟时间序列的周期性
P
P
P表示时间序列的周期,
P
=
365.25
P = 365.25
P=365.25表示以年为周期,
P
=
7
P = 7
P=7表示以周为周期。它的傅立叶级数的形式都是:
s
(
t
)
=
∑
n
=
1
N
(
a
n
cos
(
2
π
n
t
P
)
+
b
n
sin
(
2
π
n
t
P
)
)
s(t)=\sum_{n=1}^{N}\left(a_{n} \cos \left(\frac{2 \pi n t}{P}\right)+b_{n} \sin \left(\frac{2 \pi n t}{P}\right)\right)
s(t)=n=1∑N(ancos(P2πnt)+bnsin(P2πnt))
6. 节假日效应(holidays and events)
除了周末,同样有很多节假日,而且不同的国家有着不同的假期,不同的节假日可以看成相互独立的模型,并且可以为不同的节假日设置不同的前后窗口值,表示该节假日会影响前后一段时间的时间序列。
h
(
t
)
=
Z
(
t
)
κ
=
∑
i
=
1
L
κ
i
⋅
1
{
t
∈
D
i
}
h(t)=Z(t) \boldsymbol{\kappa}=\sum_{i=1}^{L} \kappa_{i} \cdot 1_{\left\{t \in D_{i}\right\}}
h(t)=Z(t)κ=i=1∑Lκi⋅1{t∈Di}
其中:
Z
(
t
)
=
(
1
{
t
∈
D
1
}
,
⋯
,
1
{
t
∈
D
L
}
)
,
κ
=
(
κ
1
,
⋯
,
κ
L
)
T
Z(t)=\left(1_{\left\{t \in D_{1}\right\}}, \cdots, 1_{\left\{t \in D_{L}\right\}}\right), \boldsymbol{\kappa}=\left(\kappa_{1}, \cdots, \kappa_{L}\right)^{T}
Z(t)=(1{t∈D1},⋯,1{t∈DL}),κ=(κ1,⋯,κL)T,
κ
∼
Normal
(
0
,
v
2
)
\boldsymbol{\kappa} \sim \operatorname{Normal}\left(0, v^{2}\right)
κ∼Normal(0,v2)
并且该正态分布是受到 v v v = holidays_prior_scale 这个指标影响的。默认值是 10,当值越大时,表示节假日对模型的影响越大;当值越小时,表示节假日对模型的效果越小
7. 参数
在 Prophet 中,用户一般可以设置以下四种参数:
-
Capacity:在增量函数是逻辑回归函数的时候,需要设置的容量值。
-
Change Points:可以通过 n_changepoints 和 changepoint_range 来进行等距的变点设置,也可以通过人工设置的方式来指定时间序列的变点。
-
季节性和节假日:可以根据实际的业务需求来指定相应的节假日。
-
光滑参数:
τ \tau τ = changepoint_prior_scale 可以用来控制趋势的灵活度
σ \sigma σ = seasonality_prior_scale 用来控制季节项的灵活度,
v v v = holidays prior scale 用来控制节假日的灵活度。