关于FBProphet的cross_validation、performance_metrics及参数的技术咨询

一、你的代码逻辑确认 #

你的理解在当前数据集（2038天）的情况下是正确的——这段代码只会执行一轮交叉验证：用前2008天的数据训练模型，用接下来的30天（第2009-2038天）做测试。但如果你的数据集更长，period=30 days会触发多轮滚动验证，下面详细解释这两个函数的逻辑和参数：

二、cross_validation函数详解 #

cross_validation是FBProphet专为时间序列设计的滚动交叉验证工具，核心是保持时间顺序，避免未来数据泄露到训练集中。

核心参数说明 #

• initial：初始训练集的时长，即第一次训练时使用的历史数据长度。比如你设置的'2008 days'，就是第一次用前2008天的数据训练模型。
• period：两次验证迭代的时间间隔，控制验证的密集度。每过period天，就会用更新后的训练集（包含新增的period天数据）重新训练模型，并预测接下来的horizon天。period越小，验证轮数越多，结果越可靠，但计算量也会上升。
• horizon：每次预测的时间跨度，也就是测试集的长度。比如'30 days'，就是每次训练后，预测接下来30天的数据，再和真实值对比。

执行逻辑扩展 #

如果你的数据集更长（比如2100天），这段代码会执行多轮验证：

• 第一轮：训练第1-2008天的数据，测试第2009-2038天
• 第二轮：训练第1-2038天的数据，测试第2039-2068天
• 第三轮：训练第1-2068天的数据，测试第2069-2098天
• 直到测试集的结束时间超过数据集最后一天为止

三、performance_metrics函数详解 #

performance_metrics是用来从cross_validation的结果中提取模型评估指标的工具，会按预测的时间跨度自动聚合指标，直观展示模型在不同预测时长下的表现。

核心功能 #

• 读取cross_validation输出的df数据框（包含ds日期、yhat预测值、yhat_lower预测下限、yhat_upper预测上限、y真实值等字段）
• 计算常见的时间序列评估指标，包括：
  • mse：均方误差
  • rmse：均方根误差
  • mae：平均绝对误差
  • mape：平均绝对百分比误差
  • coverage：真实值落在预测区间内的比例

使用示例 #

# 执行交叉验证
df_cv = cross_validation(m, initial='2008 days', period='30 days', horizon='30 days')
# 计算评估指标
df_p = performance_metrics(df_cv)
print(df_p)

输出结果会按horizon（预测天数，如1天、7天、30天）分组，展示每个时间跨度下的指标值。通常能看到：预测时长越短，误差越小；预测时长越长，误差越大，这符合时间序列的普遍规律。

内容的提问来源于stack exchange，提问作者Lokeesh Bharathi S