Prophet办公出勤预测优化：解决预测值为负与拟合度不足问题

问题背景 #

使用Python的Prophet库对15分钟间隔的办公出勤人数建模，已纳入节假日因素，每日、周度趋势拟合准确，但存在两个核心问题：

1. 预测值出现现实中不可能的负数
2. 观测数据峰值远超预测置信区间

原建模代码如下：

m = Prophet(holidays=holidays, weekly_seasonality=True, growth="flat")  # "logistic")
p_df = sdf[["OCCUPANCY_AVG"]].reset_index()
p_df.columns = ["ds", "y"]
p_df["cap"] = 180
df["floor"] = 0
m.fit(p_df)

future = m.make_future_dataframe(periods=24 * 60, freq="H")
future["cap"] = 180
future["floor"] = 0

forecast = m.predict(future)

fig1 = m.plot(forecast, xlabel="Date", ylabel="Headcount", include_legend=True)
fig2 = m.plot_components(forecast)

解决非负约束问题 #

方法1：从建模层面约束（推荐） #

切换为logistic增长模型，同时修正原代码的笔误（将df["floor"] = 0改为p_df["floor"] = 0，确保训练数据携带非负下限约束）：

m = Prophet(holidays=holidays, weekly_seasonality=True, growth="logistic")
p_df = sdf[["OCCUPANCY_AVG"]].reset_index()
p_df.columns = ["ds", "y"]
p_df["cap"] = 180
p_df["floor"] = 0  # 修正原代码的df为p_df，让训练数据生效约束
m.fit(p_df)

# 未来数据保持一致约束
future = m.make_future_dataframe(periods=24 * 60, freq="H")
future["cap"] = 180
future["floor"] = 0

方法2：后处理截断预测值 #

若不想切换增长模型，可直接对预测结果做非负截断，简单直接但约束性较弱：

forecast['yhat'] = forecast['yhat'].clip(lower=0)
forecast['yhat_lower'] = forecast['yhat_lower'].clip(lower=0)
forecast['yhat_upper'] = forecast['yhat_upper'].clip(lower=0)

提升拟合度与置信区间覆盖峰值 #

1. 增强季节性拟合能力 #

• 提高周度季节性的傅里叶阶数（默认阶数3，可调整为8-12），增强对周内出勤波动的捕捉
• 添加每日季节性（因数据是15分钟间隔，日内波动显著），同样可指定高阶数：

m = Prophet(holidays=holidays,
            weekly_seasonality=10,  # 提高周度季节性复杂度
            daily_seasonality=8,    # 添加并增强每日季节性
            growth="logistic")

2. 强化节假日效应 #

若节假日对出勤影响较大，可调高全局节假日权重（默认10，可尝试20-30），或针对特定节假日单独设置权重：

# 全局调高节假日权重
m = Prophet(holidays=holidays,
            weekly_seasonality=10,
            daily_seasonality=8,
            growth="logistic",
            holidays_prior_scale=20)

3. 添加外部回归因子 #

引入额外影响变量（如小时段、月度会议周期等），帮助模型捕捉更多波动：

# 给训练数据添加小时特征
p_df['hour'] = p_df['ds'].dt.hour
# 未来数据同步添加
future['hour'] = future['ds'].dt.hour

# 建模时加入外部回归
m = Prophet(holidays=holidays,
            weekly_seasonality=10,
            daily_seasonality=8,
            growth="logistic")
m.add_regressor('hour')
m.fit(p_df)

4. 调整置信区间宽度 #

将默认80%的置信区间调高至95%，让区间更宽以覆盖峰值：

m = Prophet(holidays=holidays,
            weekly_seasonality=10,
            daily_seasonality=8,
            growth="logistic",
            interval_width=0.95)

内容的提问来源于stack exchange，提问作者Ben