Neural Prophet完全无法预测？海滩客流量预测异常求助

核心问题分析 #

1. 无法生成未来日期预测：当前配置关闭了趋势变化点（n_changepoints=0），若数据存在趋势性变化，模型无法捕捉趋势外推逻辑，导致无法生成原始数据之后的预测值；另外make_future_dataframe的periods设置为1000，与需求的100天不符，易混淆结果。
2. 预测精度不足：未开启周季节性（海滩客流通常周末有波动）、自回归滞后设置可能不匹配数据周期、模型结构过于简单，无法捕捉复杂波动规律。

针对性解决方案 #

修复未来预测缺失问题 #

• 恢复趋势变化点：去掉n_changepoints=0的设置（默认自动生成25个变化点），或根据数据时间跨度设置合理值（如按年数据设25，半年设15），让模型能捕捉趋势变化以完成外推。
• 对齐预测周期：将make_future_dataframe的periods改为100，匹配需要预测的未来天数，同时确保freq="D"与拟合时一致。
• 验证数据连续性：检查输入data的日期列是否连续，末尾无缺失，避免模型无法生成后续日期序列。

提升预测精度 #

• 优化季节性配置：开启weekly_seasonality=True（海滩客流周末通常有明显波动），尝试切换seasonality_mode为"additive"（若客流波动幅度不随整体趋势放大），对比两种模式的精度。
• 调整自回归参数：将n_lags调整为14或30（匹配客流的周/月周期），增加num_hidden_layers=1和d_hidden=64，让AR-Net能捕捉更复杂的非线性关系。
• 优化训练策略：降低learning_rate至0.001提升训练稳定性，增加epochs到300-500；改用loss_func="Huber"，降低异常值对模型的影响。
• 引入外部特征：如果有天气、节假日、本地活动等数据，可作为额外列加入data，模型会自动识别并纳入训练，大幅提升精度。

修改后示例代码 #

model = NeuralProphet(
    growth="linear",  # 若数据无明显趋势，可改为"off"
    n_changepoints=25,
    n_lags=30,
    num_hidden_layers=1,
    d_hidden=64,
    learning_rate=0.001,
    epochs=300,
    normalize="auto",
    impute_missing=True,
    yearly_seasonality=True,
    weekly_seasonality=True,
    daily_seasonality=False,
    seasonality_mode="additive",
    loss_func="Huber",
)

# 拟合模型
model.fit(data, freq="D")
# 生成未来100天预测，包含历史拟合结果
future = model.make_future_dataframe(data, periods=100, n_historic_predictions=len(data))
forecast = model.predict(future)

结果验证 #

运行代码后，查看forecast数据框的最后100行，确认ds列包含原始数据之后的日期，且yhat1列有对应预测值；可视化时对比y（原始数据）和yhat1（预测值），检查未来部分是否正常生成。

内容的提问来源于stack exchange，提问作者beaver7