Python Facebook Prophet入站呼叫量预测模型欠拟合优化咨询

优化方案 #

1. 添加自定义指示回归器直接捕捉月初月末特征 #

这是解决你当前问题最高效的方案，针对固定时段的流量偏移，直接用二元指示变量捕捉比平滑的傅里叶季节性拟合精度高很多：

• 在训练数据集新增两列特征：is_first_12_days（每月前12天赋值为1，其余为0）、is_last_7_days（每月最后7天赋值为1，其余为0）
• 调用Prophet的add_regressor方法将两个特征加入模型，可单独设置prior_scale控制特征权重，月初波动大可以将对应回归器的权重调至20~50区间测试：

M.add_regressor('is_first_12_days', prior_scale=40)
M.add_regressor('is_last_7_days', prior_scale=30)

• 预测时也需要给测试集生成对应的两个特征列，否则会报错。

2. 配置条件季节性实现分段专属拟合 #

如果你希望给月初、月末单独配置独立的周期性规律，可以用Prophet的条件季节性功能：

• 先在数据集新增两个布尔列：is_early_month（前12天为True）、is_late_month（最后7天为True）
• 分别添加对应时段的专属季节性，可独立设置傅里叶阶数和权重：

M.add_seasonality(
    name='early_month_season',
    period=30.5,
    fourier_order=25,
    prior_scale=50,
    condition_name='is_early_month'
).add_seasonality(
    name='late_month_season',
    period=30.5,
    fourier_order=20,
    prior_scale=40,
    condition_name='is_late_month'
)

原来的全局月度季节性可以保留，也可以根据测试效果选择删除。

3. 调整现有月度季节性参数 #

你当前设置的月度季节性傅里叶阶数为20，对于需要拟合月初尖峰、月末抬升的非平滑月度规律来说阶数偏低，可以尝试将fourier_order上调到25~35区间，配合prior_scale同步调整，提升对月度高频波动的拟合能力。

4. 训练数据量调整方案 #

如果业务的月度话务规律在近2年没有发生结构性变化，可以将训练数据缩减到最近2_{3年，避免过旧的历史数据干扰模型对现有规律的学习，调整时需要用最近3}6个月的数据做验证集，确保泛化能力不下降。

其他可尝试的优化点 #

• 你当前的changepoint_prior_scale已经调到15，属于非常高的数值，继续调大很容易引发过拟合，不需要再调整该参数
• 如果整体话务量存在非线性增长特征，可以尝试将growth参数改为logistic，提前设置好数据的容量上限cap和下限floor
• 可以对比测试全局加法季节性的效果，如果月初月末的增量是固定数值而非和整体流量成正比，加法季节性的拟合效果会更好

内容的提问来源于stack exchange，提问作者t25