使用Prophet做呼叫中心小时级话务量预测结果偏差大排查

你的代码基础逻辑、数据格式均无问题，预测偏差大完全是Prophet适配小时级预测场景时的参数配置错误导致，具体问题如下：

• 时间频率错配：make_future_dataframe方法默认时间频率为天级（D），和你的小时级数据集粒度不匹配。你当前设置periods=15时，模型生成的是未来15天的时间序列，而非你需要的15个小时的预测结果，粒度错配直接导致预测结果完全偏离业务实际。
• 日内季节性未开启：呼叫中心话务量存在极强的日内波动规律（如样例数据中17点话务量骤降，符合上下班时段的业务特征），Prophet默认不会自动开启日季节性拟合，模型学不到小时级的波动规则，自然会出现极大偏差。
• 可选优化方向：如果业务存在话务量的节假日差异、工作日/周末差异，可手动给模型传入节假日规则，或者调整周/年季节性的拟合参数，进一步提升预测准确率。

你提供的预测异常结果示例如下：

df.rename(columns={'date':'ds','count':'y'},inplace=True)
df["ds"] = pd.to_datetime(df["ds"])
new_data=df[['ds','y']]

# 适配小时级场景的Prophet配置
model = Prophet(
    daily_seasonality=True, # 开启日内季节性拟合
    weekly_seasonality=True, # 呼叫中心话务量通常存在周度波动，按需开启
    yearly_seasonality=False # 若数据集时间跨度不足1年建议关闭，避免过拟合
)
model.fit(new_data)
# 指定freq='H'生成小时级未来时间序列，periods按实际需要预测的小时数调整
future = model.make_future_dataframe(periods=15, freq='H')
forecast = model.predict(future)
fig = model.plot(forecast, xlabel='ds', ylabel='y')
plt.title('forecasting')
plt.show()

如果你的数据集时间跨度超过1年，可将yearly_seasonality调整为True，适配年度维度的话务波动规律。

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