原文鏈接：http://tecdat.cn/?p=7327
您將學習如何使用Prophet（在R中）解決一個常見問題：預測公司明年的每日訂單。
數據准備與探索
先知最適合每日定期數據以及至少一年的歷史數據。 我們將使用SQL處理每天要預測的數據：
`select
`` date,
value
from modeanalytics.daily_orders
order by date`
現在，我們每天都有數據，我們可以將SQL查詢結果集通過管道傳遞到R筆記本中的R數據框對象中。首先，將您的SQL查詢重命名為Daily Orders。然后，在R 中，我們可以使用以下語句將查詢結果集傳遞到數據幀df中：
df <- datasets[["Daily Orders"]]
為了快速了解您的數據框包含多少個觀測值，可以運行以下語句：
# Retreive dimension of object
dim(df)
Prophet總是希望輸入DataFrame中有兩列：ds，分別y,包含日期和數值。
# Inspect variables
str(df)
在此示例中，您將需要進行一些手動的類轉換：
# Parse date column
df <- mutate (
df,
date = ymd_hms(date) # parse date column using lubridate ymd_hms function
)
一旦確認數據框中的列是正確的類，就可以ds在數據框中創建一個新列，該列是date列的精確副本，一個新列y是value列的精確副本：
df <- mutate (
df,
ds = date, # Create new ds column from date using mutate
y = value # Create new y column from value using mutate
)
然后，您可以重新調整該date列的用途，以用作數據框 ：
現在您已經准備好要與Prophet一起使用的數據，在將數據輸入到Prophet中之前，將其作圖並檢查數據的外觀是個好習慣。
- 2017年5月左右，趨勢軌跡發生了明顯變化。默認情況下，Prophet自動檢測到此類“ 趨勢變化點 ”，並允許趨勢進行適當調整。先知還允許對這些趨勢變化點的識別進行更細粒度的控制。
- 每周和每年都有明顯的季節性。如果時間序列長於兩個周期以上，則先知將自動適應每周和每年的季節性。
- 我們的觀察結果的均值和方差隨時間增加。
Box-Cox變換
通常在預測中，您會明確選擇一種特定類型的冪變換，以將其應用於數據以消除噪聲，然后再將數據輸入到預測模型中（例如，對數變換或平方根變換等）。但是，有時可能難以確定哪種功率變換適合您的數據。
Box-Cox變換是一種數據變換，用於評估一組Lambda系數（λ）並選擇可實現最佳正態性近似值的值。
如果我們將新轉換的數據與未轉換的數據一起繪制，則可以看到Box-Cox轉換能夠消除隨着時間變化而觀察到的許多增加的方差：
預測
使用Prophet通過Box-Cox轉換的數據集擬合模型后，現在就可以開始對未來日期進行預測。
現在，我們可以使用該predict()函數對未來數據幀中的每一行進行預測。
forecast <- predict(m, future)
此時，Prophet將創建一個分配給預測變量的新數據框，其中包含名為的列下的未來日期的預測值yhat以及不確定性間隔和預測的組成部分。 ：
plot(m, forecast)
在我們的示例中，我們的預測如下所示：
如果要可視化各個預測組件，則可以使用Prophet的內置plot_components功能：plot_components在我們的示例數據上運行將返回以下一組組件可視化：
預測和組件可視化顯示，Prophet能夠准確地建模數據中的潛在趨勢，同時還可以精確地建模每周和每年的季節性（例如，周末和節假日的訂單量較低）。
逆Box-Cox變換
由於先知用於Box-Cox轉換后的數據，因此您需要將預測值轉換回其原始單位。要將新的預測值轉換回其原始單位，您將需要執行Box-Cox逆轉換。
現在，您已將預測值轉換回其原始單位，現在可以將預測值與歷史值一起可視化：
