python - Facebook 先知 : Providing different data sets to build a better model

Question

我的数据框看起来像那样。我的目标是根据 event_id 1 和 event_id 的数据预测 event_id 3 2

ds tickets_sold y event_id
3/12/19 90  90  1
3/13/19 40  130 1
3/14/19 13  143 1
3/15/19 8   151 1
3/16/19 13  164 1
3/17/19 14  178 1
3/20/19 10  188 1
3/20/19 15  203 1
3/20/19 13  216 1
3/21/19 6   222 1
3/22/19 11  233 1
3/23/19 12  245 1
3/12/19 30  30  2
3/13/19 23  53  2
3/14/19 43  96  2
3/15/19 24  120 2
3/16/19 3   123 2
3/17/19 5   128 2
3/20/19 3   131 2
3/20/19 25  156 2
3/20/19 64  220 2
3/21/19 6   226 2
3/22/19 4   230 2
3/23/19 63  293 2

我想根据该数据预测 future 10 天的销售额:

ds  tickets_sold y event_id
3/24/19 20  20  3
3/25/19 30  50  3
3/26/19 20  70  3
3/27/19 12  82  3
3/28/19 12  94  3
3/29/19 12  106 3
3/30/19 12  118 3

到目前为止，我的模型就是那个模型。但是，我并没有告诉模型这是两个独立的事件。然而，考虑来自不同事件的所有数据是有用的，因为它们属于同一个组织者，因此提供的信息不仅仅是一个事件。 Prophet可以做那种装修吗？

# Load data
df = pd.read_csv('event_data_prophet.csv')
df.drop(columns=['tickets_sold'], inplace=True, axis=0)
df.head()

# The important things to note are that cap must be specified for every row in the dataframe,
# and that it does not have to be constant. If the market size is growing, then cap can be an increasing sequence.
df['cap'] = 500

# growth: String 'linear' or 'logistic' to specify a linear or logistic trend.
m = Prophet(growth='linear')
m.fit(df)

# periods is the amount of days that I look in the future
future = m.make_future_dataframe(periods=20)
future['cap'] = 500
future.tail()

forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()

fig1 = m.plot(forecast)

Answer 1

事件的开始日期似乎会导致高峰。您可以为此使用 holidays，方法是将每个事件的开始日期设置为假期。这会告知先知有关事件(及其高峰)的信息。我注意到事件 1 和事件 2 重叠。我认为您在这里有多种选择来处理这个问题。您需要问自己每个事件的预测值与事件 3 相关。您没有太多数据，这将是主要问题。如果它们具有相同的值(value)，您可以更改一个事件的日期。例如 11 天前。不等值场景可能意味着您放弃 1 个事件。

events = pd.DataFrame({
  'holiday': 'events',
  'ds': pd.to_datetime(['2019-03-24', '2019-03-12', '2019-03-01']),
  'lower_window': 0,
  'upper_window': 1,
})

m = Prophet(growth='linear', holidays=events)
m.fit(df)

我还注意到您在 cumsum 上进行了预测。我认为您的事件是静止的，因此先知可能受益于预测每日门票销售而不是 cumsum。