修改fbprophet源码以支持以小时为粒度的预测

在前面那篇文章中介绍了fbprophet的基础运用，但是，那些样本数据都是以天为粒度的。所以，如果想支持小时为粒度，还要对源码作出一些修改才行。下面，就来介绍一下怎么去修改源码。只需对forecaster.py进行修改。

文件所在路径：.local/lib/python2.7/site-packages/fbprophet或者/usr/lib/python2.7/site-packages

打开forecaster.py，修改__init__(self)函数:

在传入参数中添加 daily_seasonality=True，同时对变量进行初始化，self.daily_seasonality = daily_seasonality

修改 make_all_seasonality_features函数：

这个函数主要针对不同的seasonality进行数据准备：

可以先看一下如果weekly_seasonality = True时，会调用到一下这段代码：

if self.weekly_seasonality: seasonal_features.append(self.make_seasonality_features( df['ds'], 7, 3, 'weekly', )) df['ds']是出入的数据框的时间序列数据，7：指定periods，3：指定series_order（级数），weekly:指定一个前缀 df数据框的的输入格式如下：

"ds","y" 2017-03-01 00:00:00,24 2017-03-01 01:00:00,17 2017-03-01 02:00:00,18 2017-03-01 03:00:00,19 2017-03-01 04:00:00,23 2017-03-01 05:00:00,23 2017-03-01 06:00:00,23 2017-03-01 07:00:00,21 2017-03-01 08:00:00,124 其中，df['ds']要严格按照datestamp的格式要求,在pandas里面有具体说明要求。

if self.daily_seasonality: seasonal_features.append(self.make_hourly_seasonality_features( df['ds'], 24, 5, 'daily' )) 类似的，在这个函数中加入这段代码，其中会调用到make_hourly_seasonaltiy_features这个自定义的函数，接下来会有说明：

这里指定periods为24，series_order为5，prefix为daily。

自定义make_hourly_seasonaltiy_features函数：

@classmethod def make_hourly_seasonality_features(cls,dates,period,series_order,prefix): features = cls.hourly_fourier_series(dates,period,series_order) columns = [ '{}_{}'.format(prefix,i+1) for i in range(features.shape[1]) ] return pd.DataFrame(features,columns = columns)参考make_seasonality_features，这里调用了hourly_fourier_series函数。这里先贴出它的参考函数fourier_series函数代码：

def fourier_series(dates, period, series_order): """Generate a Fourier expansion for a fixed frequency and order. Parameters ---------- dates: a pd.Series containing timestamps period: an integer frequency (number of days) series_order: number of components to generate Returns ------- a 2-dimensional np.array with one row per row in `dt` """ # convert to days since epoch t = np.array( (dates - pd.datetime(1970, 1, 1)) .apply(lambda x: x.days) .astype(np.float) ) return np.column_stack([ fun((2.0 * (i + 1) * np.pi * t / period)) for i in range(series_order) for fun in (np.sin, np.cos) ])

自定义hourly_fourier_series函数：

@staticmethod def hourly_fourier_series(dates, period, series_order): t_d = np.array((dates - pd.datetime(1970,1,1)).apply(lambda x: x.days).astype(np.float)) t_s = np.array((dates - pd.datetime(1970,1,1)).apply(lambda x: x.seconds/3600).astype(np.float)) t_h = t_d * 24 + t_s return np.column_stack([ fun((2.0 * ( i + 1) * np.pi * t_h / period)) for i in range(series_order) for fun in (np.sin,np.cos) ])说明：

t_d = np.array((dates - pd.datetime(1970,1,1)).apply(lambda x: x.days).astype(np.float)) 获取到dates距离1970-1-1有多少天。

t_s = np.array((dates - pd.datetime(1970,1,1)).apply(lambda x: x.seconds/3600).astype(np.float)) 获取到dates的具体小时间隔，先获取到每个datestamp在一天内的秒数，如下图，然后除以3600转换为小时：

t_h = t_d * 24 + t_s获取到每个datestamp到1970-1-1的小时间隔。

简单运用

预测的数据格式如下：(.csv格式文件）

ds：时间（0~23小时）；y:数据

import pandas as pd import numpy as np from fbprophet import Prophet file_path = '...' if __name__ == '__main__': df = pd.read_csv(file_path) df['y'] = np.log(df['y']) prophet = Prophet() prophet.fit(df) future = prophet.make_future_dataframe(freq='H',periods=24) forecast = prophet.predict(future)

截止我写这篇博客时，fbprophet时不支持以小时为粒度的时间序列预测，该链接内容有说明：https://github.com/facebookincubator/prophet/issues/29

以上，就是源码的修改，当然，个人水平有限，可能存在错误，也请各位大神在评论中不吝赐教，谢谢。

上一篇文章：fbprophet的基础使用，fbprophet的探索历程