Prophet logistic增长模型设floor=0后预测仍出现负值的原因及解决

• Prophet的cap和floor参数仅约束模型的趋势项输出范围，不会直接限制最终预测值。最终预测值是「趋势项+季节项+节假日效应+残差项」的加总结果，当低峰时段趋势项本身数值很小，叠加负向的季节/假日效应后，总结果就会低于floor设置的0。
• 时间粒度不匹配：原始训练数据是30分钟粒度，但调用make_future_dataframe时指定的频率是H（小时级），会导致模型拟合的细粒度季节模式和实际数据的时间步不匹配，进一步放大预测偏差。
• 计数型数据适配问题：呼叫量属于非负计数类数据，Prophet默认的高斯噪声假设没有强制非负约束，当数据低峰期数值接近0时，很容易生成负向预测结果。

• 直接裁剪预测值：最简单的适配方案，在生成forecast结果后，手动将预测相关列的数值裁剪到0~10000的业务合理区间，不影响原有模型拟合逻辑：

forecast[['yhat', 'yhat_lower', 'yhat_upper']] = forecast[['yhat', 'yhat_lower', 'yhat_upper']].clip(lower=0, upper=10000)

• 对齐时间训练与预测的时间粒度：将make_future_dataframe的频率参数改为30min，匹配原始训练数据的30分钟时间分片，避免细粒度季节模式拟合错误：

future = m.make_future_dataframe(periods=periods, freq='30min')

• 调整季节项正则化强度：如果负向偏差来自过度拟合的高波动季节项，可以适当调大seasonality_prior_scale参数，降低季节项的波动幅度，减少负向效应叠加的概率：

m = Prophet(growth='logistic', seasonality_prior_scale=15) # 默认值是10，可根据效果上调到15~20

• 对目标变量做对数变换：训练前对y列做对数变换（加1避免0值计算错误），预测后做逆变换，天然将预测值约束在非负区间，需要同步调整cap、floor的取值为变换后的值：

import numpy as np
# 训练前做变换
dataframe['y'] = np.log(dataframe['y'] + 1)
dataframe['cap'] = np.log(10000 + 1)
dataframe['floor'] = np.log(0 + 1)
# 生成future后同步调整cap、floor
future['cap'] = np.log(10000 + 1)
future['floor'] = np.log(0 + 1)
# 预测完成后做逆变换
forecast['yhat'] = np.exp(forecast['yhat']) - 1
forecast['yhat_lower'] = np.exp(forecast['yhat_lower']) - 1
forecast['yhat_upper'] = np.exp(forecast['yhat_upper']) - 1
forecast[['yhat', 'yhat_lower', 'yhat_upper']] = forecast[['yhat', 'yhat_lower', 'yhat_upper']].clip(lower=0, upper=10000)

内容的提问来源于stack exchange，提问作者Sandeepa Kariyawasam