Facebook Prophet在非日度高频数据上预测效果不符预期如何解决

默认配置的Prophet本身是针对日度及更粗粒度时序设计的，对15分钟级别的高频数据适配性差，出现抓不住尖峰、拟合不出日内规律是非常常见的问题，可按以下方向逐项调整：

• 首先修正季节性配置，解决日内规律拟合缺失问题
  默认参数仅自动开启周、年季节性，不会主动适配15分钟粒度的短周期波动：
  1. 手动调高日度季节性的傅里叶阶数：默认日季节性傅里叶阶数为3，仅能拟合非常平滑的日度曲线，建议设置为10~15，代码示例：model = Prophet(daily_seasonality=12)，阶数越高越能拟合日内的陡峭波动，注意不要超过20避免过拟合。
  2. 如果数据存在工作日/周末日内规律差异，额外添加条件季节性，拆分工作日、周末分别拟合日内模式；如果有更短的固定周期（比如3小时、6小时的循环波动），用add_seasonality手动添加对应周期，比如model.add_seasonality(name='3h_cycle', period=3, fourier_order=5)。
  3. 数据跨度超过3个月的话，同步把周季节性的傅里叶阶数调高到6~8，提升周维度波动的拟合精度。
• 调整突变点相关参数，解决尖峰拟合不足问题
  默认参数对突变的容忍度极低，很难捕捉高频数据的尖峰特征：
  1. 调大突变点先验尺度changepoint_prior_scale，默认值0.05过于保守，建议在0.2~0.5区间调试，参数越大模型对突变、尖峰的拟合能力越强，超过1容易出现过拟合。
  2. 调大突变点采样范围changepoint_range，默认仅使用序列前80%的数据识别突变，建议调到0.9~0.95，让模型学习靠近预测窗口的近期波动特征。
  3. 对有明确触发原因的尖峰（比如促销、设备启停、节假日高峰），不要完全靠模型自动识别：把对应时间点标记为自定义事件，通过add_holidays接口传入；如果尖峰和外部特征（比如温度、流量、活动力度）相关，用add_regressor把这些特征作为额外回归因子加入模型，抓尖峰的效果会远好于纯时间特征拟合。
• 做高频数据适配的预处理与模型融合
  1. 训练前先做轻量异常值清洗：用3σ原则或者分位数法把完全无规律的离群噪声替换为相邻时间窗口的中位数，注意不要抹平有固定规律的真实尖峰。
  2. 如果序列存在明显的上下限（比如电网负载、门店客流不可能无限涨跌），把增长模式从默认的linear改成logistic，手动设置容量上限cap和下限floor，避免趋势项把短期波动拉平。
  3. 15分钟数据本身有很强的短程自相关性，纯Prophet对这种自相关的拟合能力很弱，可以把Prophet输出的预测残差单独拿出来，叠一层简单的AR或者滑动窗口自回归模型做修正，对尖峰预测的提升会非常明显。

内容的提问来源于stack exchange，提问作者CHIRAQA