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(fù)荷預(yù)測”這一條，這樣才能在電力市場浪。
新年新氣象，我們負(fù)荷預(yù)測小組也在銳意進(jìn)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(gè)新的時(shí)間序列預(yù)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(gè)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(shí)間序列數(shù)據(jù)提供高質(zhì)量預(yù)測的工具。
看不懂沒關(guān)系，下面就給大家簡單的解釋一下：
在時(shí)間序列分析領(lǐng)域，有一種比較常見的分析方法叫時(shí)間序列分解模型，也就是把隨著時(shí)間變化的數(shù)據(jù)（在我們這里就是負(fù)荷）分解成如下圖示的四部分：
時(shí)間序列是由這四部分進(jìn)行數(shù)學(xué)運(yùn)算的結(jié)果：通常有相加，相乘，和取對數(shù)的結(jié)果。
這個(gè)就好比結(jié)婚后的兩個(gè)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(shí)幸福感是兩人相乘，當(dāng)然如果鬧情緒了，幸福感估計(jì)得取對數(shù)……. 這個(gè)跟現(xiàn)在某投資機(jī)構(gòu)投資一個(gè)創(chuàng)業(yè)公司，PPT上都會寫上“投資機(jī)構(gòu)×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(xiàng)，下面是季節(jié)變動項(xiàng)。使用回歸的方法擬合趨勢項(xiàng)，預(yù)測未來的趨勢項(xiàng)的值，再加上周期項(xiàng)得到預(yù)測的時(shí)間序列。
圖一
Prophet就是在這基礎(chǔ)上做了一定的改進(jìn)和優(yōu)化，使用線性回歸和邏輯回歸對趨勢項(xiàng)進(jìn)行預(yù)測，同時(shí)考慮了節(jié)假日效應(yīng)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(shù)原理做深入介紹了。
這一期我們選取房地產(chǎn)行業(yè)在春節(jié)時(shí)段的負(fù)荷。看到這個(gè)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(chǎn)”就知道負(fù)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(yù)測結(jié)果放一起奉獻(xiàn)給大家。
先看一下2019從開年到春節(jié)期間，這段時(shí)間該行業(yè)負(fù)荷的真實(shí)值情況，如下圖二示。
圖二
如你所見，走的是拉風(fēng)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(fù)荷訓(xùn)練的模型來預(yù)測春節(jié)的負(fù)荷的時(shí)候會出現(xiàn)一個(gè)問題：周期項(xiàng)的周期幅度會過大。現(xiàn)在讓我們看下結(jié)果：
圖三
上面說過Prophet在分解的時(shí)候?qū)⒐?jié)假日的情況也單獨(dú)分解出來了，同時(shí)為了消除非春節(jié)的歷史數(shù)據(jù)集對春節(jié)的影響，我們使用變化規(guī)律比較穩(wěn)定的時(shí)段作為訓(xùn)練集， 使用線性回歸取預(yù)測趨勢項(xiàng)。
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(gè)時(shí)段預(yù)測值的趨勢變化是線性的，而在2月2日前后，真實(shí)值并不是完全線性的，所以預(yù)測出來的準(zhǔn)確率會低一些，這個(gè)結(jié)果也在意料之中。
圖四
我們在使用ARIMA趨勢分解建模的時(shí)候，使用ARIMA去預(yù)測趨勢項(xiàng)。同時(shí)為了應(yīng)對周期規(guī)律變化的問題，取預(yù)測時(shí)間的近期數(shù)據(jù)來計(jì)算周期項(xiàng)，作為預(yù)測的周期項(xiàng)，再進(jìn)行計(jì)算，這樣得到的周期項(xiàng)會更加貼近預(yù)測當(dāng)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(shí)間序列的趨勢變化和周期性規(guī)律，對具有周期性的時(shí)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(yù)期的效果。
使用ARIMA對趨勢項(xiàng)進(jìn)行預(yù)測，效果會略好一些。這個(gè)結(jié)論是給小編最幸福的安慰。
當(dāng)然，以后我們的模型會越來越好，越來越完善，同時(shí)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(jié)構(gòu)時(shí)間序列模型（Bayesian Structural Time Series），敬請期待。
本文版權(quán)歸“匯電云聯(lián)”所有，轉(zhuǎn)載請聯(lián)系作者。
聯(lián)系客服
