prophet

Prophet 이란

페이스북 연구팀의 션 테일러와 벤 레담은 블로그 포스트를 통해 “프로핏은 전무가는 물론 비전문가도 높은 품질의 예측 작업을 좀 더쉽게 할수 있는 툴”로 소개

Prophet은 Facebook의 Core Data Science 팀 에서 출시 한 오픈 소스 소프트웨어 입니다.

-> 시계열 알고리즘

prophet 클래스 인스턴스 생성 후 fit과 predict 메소드를 불러와서 사용.

시계열 데이터 분석에 사용

  • 특징

정확하고 빠름

완전 자동

조정 가능한 예측

R or Python 에서 제공

  • 사용방법
import pandas as pd
from fbprophet import Prophet 

m = Prophet()
m.fit(df) # df 데이터에 맞게 학습 

future = m.make_future_dataframe(periods=100) # ㅎperiods는 향후 몇개의 데이터를 예측할 것인지
future.tail() # 예측 마지막 결과 출력
forecast = m.predict(future) # 예측 

fig1 = m.plot(forecast) #결과 시각화
fig2 = m.plot_components(forecast) #  예측 및 구성 요소의 그림
  • 사용 알고리즘

정확한 내용이 적혀있는곳은 찾기 힘듦

  • 베이지안 구조 시계열 모델
  1. Introduction
  • 시계열에서 높은 품질의 예측은 매우 어렵다.

완전한 자동화 예측 기술은 튜닝하기 매우 어렵고 유연하지 않음

도메인 지식 전문가는 시계열 예측에 대한 전문지식을 갖고 있지 않는 경우 많음

  1. Features of Business Time Series

비즈니스 예측 문제는 어렵지만 다음과같은 공통점이 있다.

Prophet은 다음 구성 요소의 합으로 표현할 수 있는 최상의 부드러운 곡선을 찾는 모델

Y(t) = g(t) + s(t) + h(t) +  ϵₜ

g(t) : 시계열의 비 주기적 변화를 모델링하기위한 부분적 선형 또는 로지스틱 곡선
s(t) : 주기적 변화 (계절성, 주간 등)
h(t) : 일정한 불규칙 효과(휴일, 이벤트 등 )
ϵₜ : 모델에서 해결하지 못하는 잔차
  1. The Prophet Forcastring Model

2에서 소개한 수식을 기본으로 GAM 모델(Generalized Additive Model)과 비슷

curve-fitting 문제를 잘 반영하도록 커브를 그리는것이 초점

ARIMA처럼 inferential한 이점을 가지고 있지는 않음

  • 이점

유연성 : 계절성과 여러 기간들에 대한 예측을 쉽게 모델에 적용

ARIMA모델과 다르게, 모델을 차분해서 정규화 X, 결측치 채워넣기 필요 X

학습이 빠르고 분석가는 상세한 모델 스펙을 평가 가능

회귀분석과 매우 유사하여 생소한 시계열 분석보다 빠르게 적응 가능

  • 3.1 The Trend Model

trend model로 saturating growth model, piecewise liner model을 사용

  • Nonlinear, Saturating Growth

growth예측을 위해서 핵심요소는 얼마나 population이 성장, 지속될것지

자연 생태계서의 인구성장 모델과 유사

nonlinear성장이 있는데 이는 수용가능한 용량에 영향을 받음

g(t) = C / ( 1 + exp(-k(t-m)))

C : carrying capacity -> 시간에 따라 변화하기 때문에 time-varyin capacity C(t)로 사용

k : growth rate -> 역사적인 데이터를 맞추기 위해 다양한 rate를 통합해야함

m : an offset parmater

최종 모델 수식

g(t) = C(t) / (1 + exp(-…)) 복잡 논문 참조

  • Linear Trend with Changepoints

성장 모델에 포화상태가 일어나지 않는 경우(용량이 제한되지 않은 경우 linear로 해결 가능)

  • automatic Changepoint selection

분석가에 의해 정의

  • Trend Forecast Uncertainty

모델의 불확실성을 추정

라플라스를 이용 해서 평균 changepoints빈도, (즉 미래의 chagnepoints를 설정)

즉, 미래에도 과거와 같은 평균의 빈도의 변화가 있을 것이라는 가정

  • Seasonality

p라는 파라미터를 통해서 주기를 설정 가능

ex) p=365.25 는 1년 p=7이면 1주일

  • Holidays and Events

과거 데이터에서 특정 이벤트가 있는 것들의 리스트를 넣을 수 있고, 이를 반영하게 만듦

  1. Model Fitting

Stan’s L-BFGS을 사용

  1. Analyst-in-the-Loop Modeling

분석 전문가가 모델을 적용할때 도메인 지식을 이용해서 파라미터를 조정가능하게 함

  • Capacities : 시장 규모와 어떤 것에 대한 용량 수준
  • ChangePoints : 상품이 바뀌거나 신제품이 출시되는 changepoints
  • Holiday and Seasonality : 영향을 미치는 특별한 휴일이나 이벤트 기간
  • Smoothing Parameter : 주기마다 변동을 줄 수준
  1. Automating Evaluation of Forecasts
  1. Use of Beseline Forecasts

어떤 모델을 비교할 때 baseline과 비교하는 것이 중요

last value, sample mean으로 단순한 모델 비교

  1. Modeling Forecst Accuracy

예측은 특정 horizon H에 대해 이루어짐

시간별 추정된 값과 실제값 사이의 MAE, MAPE(요걸 더 많이씀)

  1. Simulated Historical Forecasts

cross validation과 같은 방법을 사용하기 어려움 -> 시계열 데이터 여서 셔플 힘듦

SHFs(simulated historical forcasts)를 사용 -> 다양한 cutoff point에서 예측치 k를 ㅔㅈ공

  1. Identifying Large Forecasts Errors

분석가는 잘못된 예측 결과에 대해서도 확인하고, 이를 수정할 필요가 있음 -> 서포트 필요

처리방법

  1. baseline 모델과 비교하여 큰 에러가 있으면 trend, seasnoality등 수정
  2. 특정 일자에 예측률이 떨어진다면, 아웃라이어 제거
  3. 특정 cutoff에 예측률이 떨어지면 chagepoint를 추가

참고 사이트

  • fbprophet 설명

https://steemit.com/kr/@yoon/python-prophet-and

https://hyperconnect.github.io/2020/03/09/prophet-package.html

https://ichi.pro/ko/python-eulo-sigyeyeol-yecheug-eul-wihan-facebook-prophet-1-bu-239090574793501

  • 도큐먼트

https://facebook.github.io/prophet/

  • github

https://github.com/facebook/prophet

  • paper

https://peerj.com/preprints/3190/

https://dodonam.tistory.com/275?category=899198 -> 논문 설명