如何在不全量重训的前提下更新facebook_prophet等时间序列模型？

已训练的Prophet模型是否支持更新，无需全量重训？ #

Prophet 原生不支持已训练模型的增量更新。它的核心训练逻辑依赖全量历史数据完成突变点检测、趋势拟合、多周期季节项估计、节假日效应拟合，所有参数的计算都基于完整历史序列的分布特征，没有官方提供的仅补充新数据就更新部分参数的接口，直接调用fit方法传入新数据会直接重置所有模型参数，本质还是全量重训。

不用全量重训的补充新数据方案 #

如果你的场景对训练耗时敏感，可以参考以下落地性较强的替代方案：

• 滑动窗口训练：如果业务对远期历史数据的依赖度不高，固定训练窗口的长度，每次新增数据后仅取最近N个时间步的数据训练即可，不需要加载所有历史数据，能大幅降低训练耗时。比如日度数据场景可以固定用最近12个月的数据作为训练集，每次新数据进来后剔除最早的对应时间步数据再训练。
• 固定稳定参数的二阶段训练：如果需要保留远期历史的规律，可以先基于全量历史数据训练一次基准模型，保存季节项、节假日效应这些不会随短时间新数据发生大幅变化的参数，后续新增数据仅重新拟合趋势项的偏移。这个方案需要自行修改Prophet的源码逻辑调整参数更新规则，适合对Prophet原理比较熟悉的开发者使用。
• 换用支持增量训练的时序模型：如果你的场景对训练速度要求极高，可以直接切换为原生支持增量训练的时间序列模型，比如增量版ARIMA、支持流式训练的深度学习时序模型如LSTM、Temporal Fusion Transformer等，从根本上规避全量重训的问题。

注意：所有基于原生Prophet公开接口实现的所谓「增量训练」方案本质都是全量重训，不会降低训练耗时。

内容的提问来源于stack exchange，提问作者Abud