Prophet：Facebook的时序利器

可视化演示

交互式展示Prophet模型将时间序列分解为趋势分量、傅里叶季节项和噪声的过程，调节变点先验尺度观察趋势灵活度变化。

三段分解框架

阿福记账有个习惯：每天打烊后，他会把当天的营业额拆成三行——“今天比昨天多卖的是大趋势带起来的”“这个月比上月多卖的是时令带来的”“今天多卖是因为过节了”。剩下对不上的零头，他就随手写在备注里当“运气”。这么一拆，月底回头看账本，每笔钱都有来历，心里特别踏实。

Prophet 做的就是一模一样的事。给定一条时间序列 y(t)，它假定每个时刻的值可以拆成四项相加：长期趋势 g(t)、季节项 s(t)、节假日项 h(t)，以及一个随机噪声 εₜ。趋势是“店越开越好”的大方向，季节是年复一年的周期性波动，节假日是某个特殊日子的脉冲式冲击，噪声则是说不清的随机因素。这种把复杂信号拆成若干可解释成分的“加法模型”，是 Prophet 理解时间序列的起点。

之所以用加法而不是乘法，是因为业务指标里这三种效应往往是“各自贡献一段”的关系：趋势贡献 100 元，季节贡献 30 元，节日贡献 200 元，加起来就是今天的营业额。加法模型的好处是每一项都能单独拿出来向业务方解释——“这个月涨了，主因是趋势 + 季节，节日没贡献”，这种透明性在商业决策里非常值钱。

阿福的三本账在 Prophet 里变成了三个函数，各有各的记法。接下来的每一节，我们分别翻开这三本账看看它们是怎么记的。

分段线性趋势

阿福有个习惯：每半年他把每天的营业额拉成一张折线图，用直尺比着画一条最贴合的直线，看看“生意到底是在涨还是在跌”。后来他发现，一条直线根本不够——前年搬到新店面之后，生意明摆着往上跳了一档，画一条线就会把前后两段都带歪。

Prophet 的趋势项 g(t) 也是这个思路：把整段时间轴切成若干段，每一段用一条直线来拟合，段与段的连接点就是“变点”（changepoint）。公式里用两个量描述一条直线：斜率 k（每天都涨多少）和截距 m（起点在哪里）。当时间越过某个变点 cⱼ 时，增长率发生变化，斜率增加一个增量 δⱼ；为了不让线在变点处断开，截距也要同步做补偿 γⱼ。

这个公式看起来长，其实就是在说：任意时刻 t 的斜率等于“基础斜率 k”加上“所有已经发生变点的增量之和”；截距同理。a(t) 是一个指示向量，它的第 j 个分量在 t ≥ cⱼ（已经越过第 j 个变点）时为 1，否则为 0——它像一串开关，控制在 t 时刻该开哪些增量。

阿福用直尺画的“生意走向线”，在 Prophet 里变成了一段段首尾相连的直线。搬店面那天的变点 cⱼ 被激活后，斜率整体上抬，趋势线就清晰地分成了“老店段”和“新店段”两段。

变点检测

阿福盯着折线图发愁：他说不清到底是哪天生意开始变好的。是搬店那天？还是搬店前一周就开始有人排队了？如果他来定变点，多半会拍脑袋乱猜。Prophet 的做法是让数据自己说话——它先放一批“候选变点”，再逐个检验哪些是真的。

实际实现中，Prophet 默认在历史数据的时间轴上等距地放置一批候选变点（比如每段历史约 25% 的位置放一个），然后为每个候选变点的增量 δⱼ 设置一个拉普拉斯先验分布。拉普拉斯分布的特点是“中间特别尖、尾巴特别长”，它对增量有强烈的“往 0 缩”的拉扯力——除非数据真的需要这个变点来解释，否则它的增量就按 0 处理。

这个“稀疏化”的数学表达就是一个先验公式：δⱼ 服从以 0 为中心、尺度参数 τ 控制的拉普拉斯分布。τ 的大小非常关键：τ 越小，拉扯力越强，能留下来的变点越少，趋势越简单；τ 越大，变点增量越自由，趋势越容易跟着噪声摆动。

阿福最终发现，候选变点里绝大多数都被账本“否决”了：增量被压成 0，意思是“那段时间并没有真的改变走向”。只有搬店前后的那一两个变点拿到了非零增量，成了真正意义上的“转折日”。

傅里叶季节项

阿福的账本有个明显的规律：每年夏天绿豆糕和酸梅汤卖得凶，冬天热汤圆和姜茶卖得俏，春天秋天各有各的小高峰。如果只看“大趋势”，这些起伏全被抹平了；但如果把连续两三年的数据叠在一起，就能看到一条几乎年年重复的曲线。

Prophet 用傅里叶级数来画这条年复一年的曲线。傅里叶的思想很朴素：任何周期为 P 的平滑曲线，都可以看作若干个不同频率的正弦波和余弦波的叠加。把这些波的振幅（系数）交给模型去学，它就能凑出“夏天高、冬天低”这种任意形状的季节形态。

公式里的 P 是周期长度，年季节性取 365.25，周季节性取 7，日季节性取 1。N 是谐波阶数，控制用多少个波来叠加——N 越大，能刻画的形态越复杂，但也越容易把噪声也学进去，所以 Prophet 的默认值很保守：年季节性 N=10，周季节性 N=3。

阿福的“四季菜单曲线”在 Prophet 里就是一组不同频率正余弦波的合唱：低频大波负责“夏高冬低”的主旋律，几个高频小波负责给曲线打上春秋季节的小转折。阶数 N 越多，合唱团成员越多，能演奏的细节也越丰富。

节假日效应

到了中秋前三天，阿福就开始加班烤月饼；除夕前两天，年糕的订单排到了店门外。这些日子的营业额，既不是“大趋势”涨出来的，也不是“时令”带起来的——纯粹是因为日历上写着那几个字。

Prophet 对节假日效应的处理非常直白：你给它一份“节假日名单”（哪一天是什么节），它就把每个节日变成一个 0/1 指示变量——这一天过节就取 1，不过节就取 0，然后把所有节日的指示变量做加权求和。权重 κᵢ 就是“这个节日平均能多卖多少钱”，由模型从数据里学出来。

节假日不只是当天有效：中秋前三天就开始囤货，大年初一到初七都在走亲访友。所以 Prophet 允许你给每个节日设一个“影响窗口”lower_window / upper_window，把节前节后的日子也一并编码成 1。窗口内的每一天都共享这个节日的权重，相当于阿福把“中秋效应”摊到了前后几天。

阿福的节日账本在 Prophet 里就是一个名单加一堆开关：名单里写着“中秋”“春节”“端午”，窗口告诉模型“提前三天开始算”，学过数据的权重则告诉他——中秋平均多卖 800 元，而端午只多 300 元。

鲁棒与调参

台风天阿福没开门，账本上那天是空的；有一次网红探店，营业额突然爆到平日的五倍。阿福很清醒：这两种日子不该影响他对“正常生意”的判断。Prophet 也是这么想的，而且它把这种抗干扰能力做进了机制里。

对缺失值，Prophet 的策略是“跳过”：拟合时只使用有观测的时间点，缺失位置不参与计算，也不需要插值。对异常值，Prophet 在模型拟合的最后一步使用鲁棒回归（Huber 损失），把偏离过大的点的权重自动压低，让“网红探店爆单”这类极端值不至于把趋势线拽偏。

调参方面，Prophet 刻意做得精简。核心超参数就四个：变点先验尺度 τ（控制趋势突变的猛烈程度）、季节阶数 N（控制季节曲线的复杂程度）、节假日先验尺度（控制节日权重的可信范围）、节假日窗口长度（控制影响天数）。剩下的全部交给默认值。这背后的哲学是：让模型把大部分工作自动化，人只需要在“业务常识”层面做判断。

阿福的原则是“账本偶尔缺页不要紧，个别爆单不往心里去”。Prophet 把这一原则写进了算法：缺的日子跳过，怪的日子降权，真正需要你拍板的只有几个业务参数——这比传统时序模型动辄十几个超参数要友好得多。

优劣与应用

阿福的记账方式适合他的点心铺，但隔壁老王的烧烤摊就不一定适用——烧烤摊冬天生意惨淡，夏天火爆到排队，这种“季节性”很强且几乎没有长期趋势的业务，用趋势加季节的三本账也能记，但爆发式增长（比如连锁扩张）就超出了直线加波动的表达能力。

Prophet 的优点很突出：高度可解释，每一块预测都能拆成趋势、季节、节日逐项汇报；自动变点检测省去了人工标注转折点；对缺失值和异常值鲁棒；超参数少，业务人员也能上手。它的局限也很清晰：对指数级增长或带有硬上限（如市场容量）的序列需要手动做对数变换或设置饱和下限；高频数据或多重长周期（如 52 周 + 365 天同时存在）会让傅里叶项数量和计算量明显上升；它不擅长捕捉变量之间的复杂交互效应。

实际部署中，Prophet 最常见的定位是“业务指标基线预测”：日粒度的 GMV、DAU、订单量、库存需求量等。它给出的预测区间（不确定性带）还能直接用于异常检测——实际值跌出区间就报警。阿福的账本记的是营业额，Prophet 的账本记的是任何一个“每天记一笔”的业务指标：只要你的数据有趋势、有季节、有节日，它就能把账算得明明白白。

AI 应用场景

Python 演示

import numpy as np  def make_trend_basis(t, changepoints):    """分段线性趋势设计矩阵: [t, max(t-c1,0), max(t-c2,0), ...]"""    cols = [t]    for cp in changepoints:        cols.append(np.maximum(0, t - cp))    return np.column_stack(cols)  def make_fourier_basis(t, period, n_harmonics):    """傅里叶季节项设计矩阵: 每组 N 对 cos/sin 波"""    cols = []    for n in range(1, n_harmonics + 1):        cols.append(np.cos(2 * np.pi * n * t / period))        cols.append(np.sin(2 * np.pi * n * t / period))    return np.column_stack(cols)  def fit_prophet(t, y, changepoints, period=365.25, n_harmonics=6):    """拼接趋势+季节设计矩阵, 最小二乘解出所有系数"""    X = np.hstack([        make_trend_basis(t, changepoints),        make_fourier_basis(t, period, n_harmonics),    ])    beta, *_ = np.linalg.lstsq(X, y, rcond=None)    return beta  def predict(t, beta, changepoints, period=365.25, n_harmonics=6):    """用训练好的系数对未来时间点做预测"""    X = np.hstack([        make_trend_basis(t, changepoints),        make_fourier_basis(t, period, n_harmonics),    ])    return X @ beta  if __name__ == "__main__":    rng = np.random.default_rng(42)    t = np.arange(0, 730)  # 730天, 两年    trend = 0.01 * t + 0.5 * np.maximum(0, t - 365)    season = 3 * np.sin(2 * np.pi * t / 365.25) + 1.2 * np.sin(4 * np.pi * t / 365.25)    y = trend + season + rng.normal(0, 0.3, len(t))     chpts = [365.0]    beta = fit_prophet(t, y, chpts)    yhat = predict(t, beta, chpts)    mae = np.mean(np.abs(y - yhat))    print(f"MAE = {mae:.3f}")

1. make_trend_basis(t, changepoints)对每个变点生成一列“越过它之后才生效”的斜坡特征，对应趋势公式里的 a(t)δ。
2. np.maximum(0, t - cp)这是分段直线的关键：t 未到变点时该列为 0，越过变点后线性增长，实现“后半段斜率改变”。
3. make_fourier_basis(t, period, n_harmonics)为周期 P 生成 N 组正余弦列，对应季节项的傅里叶级数。
4. np.linalg.lstsq(X, y)一次最小二乘求解所有系数，无需迭代，这也是 Prophet 拟合快的根本原因。
5. X @ beta预测时直接用系数矩阵乘设计矩阵，得到趋势与季节的叠加预测值。

常见误区

面试题