基于Prophet的小时级湿度预测效果优化咨询

• 调整Prophet核心参数适配小时级数据

  • 显式指定季节性模式：根据湿度波动特性选择seasonality_mode='additive'（波动幅度不随均值变化）或multiplicative（湿度越高波动越大），默认是additive，可对比两种模式的MAE差异
  • 新增小时级季节性组件：通过add_seasonality(name='hourly', period=1, fourier_order=10)添加小时周期，fourier_order可在5-20之间测试，数值越高对小时波动的拟合越精细，注意避免过拟合
  • 调整趋势灵活性：若观测到湿度有明显突变（如雨季/旱季切换），调大changepoint_prior_scale（默认0.05，可试0.1-0.5）增强趋势适配；若趋势平稳，调小到0.01减少不必要的波动

• 引入外部协变量增强模型信息

  • 加入关联气象因子：湿度和气温、气压、风速、降水强相关，将这些同期数据作为额外列传入模型，用add_regressor()方法集成，示例代码：

    model = Prophet()
    model.add_regressor('temperature')
    model.add_regressor('precipitation')
    

  • 添加滞后特征：如果没有实时气象数据，可加入前1小时、前6小时、前24小时的湿度值作为回归变量，捕捉短周期依赖

• 优化数据预处理环节

  • 清理异常值：过滤湿度>100%或<0的不合理数据，用线性插值或邻近值填充
  • 补全缺失值：用时间序列专用插值方法（如df.interpolate(method='time')）填补小时数据中的缺失项，避免模型学习到噪声
  • 尝试差分预处理：对数据做24小时差分消除日周期影响，再输入Prophet，对比原数据的预测效果

• 模型组合与结果后处理

  • 残差拟合优化：先用Prophet捕捉长期趋势和大周期，再用ARIMA或LSTM拟合预测残差，将两个结果叠加，进一步降低误差
  • 物理约束修正：根据常识将预测值强制限制在0-100之间，避免出现不符合实际的数值

• 优化验证策略

  • 采用滚动验证：不要仅用2022年做测试，可按年度滚动（如2017-2018训练→2019测试，2017-2019训练→2020测试），更稳定地评估模型调整后的效果
  • 多指标评估：除MAE外，同步关注RMSE（体现误差幅度）、MAPE（相对误差），全面判断模型性能

内容的提问来源于stack exchange，提问作者Muti