Prophet — Prophet

Аддитивная модель тренда, сезонностей и праздников с упором на удобство для аналитика.

Ключевые тезисы

2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.

Тренд + сезонности + праздники + шум.

y (t) = g (t) + s (t) + h (t) + ε_{t}

Обозначения

g

— тренд с точками слома,

s

— сезонности через ряды Фурье,

h

— эффекты праздников

Устойчив к пропускам и выбросам, не требует равномерной сетки времени.
Точки слома тренда находятся автоматически; их количество и гибкость регулируются.
Праздники задаются списком дат — удобно для ритейла.
Слаб там, где важны внешние факторы и взаимодействия — там выигрывает бустинг.

Три параметра, которые решают почти всё.

changepoint_prior_scale — гибкость тренда: увеличьте, если модель не успевает за изменениями; уменьшите при переобучении.
seasonality_prior_scale — амплитуда сезонностей.
seasonality_mode — аддитивная или мультипликативная: для растущих рядов чаще вторая.
Праздники и акции задаются отдельной таблицей и часто дают больший прирост, чем настройка первых двух.

Прогнозирование рядов

Постоянство статистических свойств ряда во времени — предпосылка большинства классических моделей.

Связь ряда с собственными прошлыми значениями — главный источник признаков и диагностики.

Классическое семейство: авторегрессия, скользящее среднее ошибок и их комбинация с дифференцированием.

ARIMA с явными сезонными компонентами — для рядов с недельной, месячной или годовой периодикой.

Взвешивание прошлых наблюдений с экспоненциально убывающими весами; модель Хольта — Винтерса добавляет тренд и сезонность.

Ряд превращается в табличную задачу: лаги, скользящие статистики, календарь — и дальше градиентный бустинг.

Нейросети, обучаемые сразу на множестве связанных рядов, улавливают общие паттерны.

Внимание над длинными горизонтами: Informer, Autoformer, PatchTST, TFT.