You need to enable JavaScript to run this app. 如何在滚动Pandas DataFrame上高效使用fbProphet实现预测?
优惠活动
大模型
产品
解决方案
定价
更多

如何在滚动Pandas DataFrame上高效使用fbProphet实现预测?

滚动Prophet预测的高效实现方案

你当前尝试直接把rolling.apply套在Prophet上的写法,存在两个根本无法直接落地的问题:

  • pandas 原生rolling.apply默认仅支持一维数组输入,无法传递同时包含ds、y两列的DataFrame,直接运行会触发参数报错
  • 这种写法会逐窗口触发完整的Prophet实例化、Stan后端编译、拟合、预测全流程,针对你的2400行数据规模,总共要触发2161次独立的Prophet拟合,单线程运行可能需要数小时,完全不具备效率优势
基础可运行的实现逻辑

你要实现的滚动预测本质是:以连续240小时的历史数据为训练窗口,每次窗口向后滑动1步,输出窗口结束时刻往后第24小时的预测值。这个逻辑完全不需要依赖pandas的rolling接口,手动切分窗口的可控性和效率远高于rolling.apply。

参考可直接运行的基础版本代码:

import pandas as pd
from prophet import Prophet

def rolling_forecast(df, window=240, horizon=24, freq="H"):
    # 统一预处理输入格式
    input_df = df[["ds", "y"]].copy()
    input_df["ds"] = pd.to_datetime(input_df["ds"])
    input_df = input_df.sort_values("ds").reset_index(drop=True)
    predictions = []

    # 从第一个完整窗口位置开始遍历
    for end_pos in range(window, len(input_df)):
        train_data = input_df.iloc[end_pos - window : end_pos]
        # 针对短窗口场景裁剪冗余参数,减少计算量
        model = Prophet(
            mcmc_samples=0,  # 关闭贝叶斯采样,用最大后验估计替代
            yearly_seasonality=False,  # 240小时窗口无足够年度季节数据
            weekly_seasonality=True,
            daily_seasonality=True,
        )
        model.fit(train_data)
        future = model.make_future_dataframe(periods=horizon, freq=freq)
        pred_result = model.predict(future)
        predictions.append(
            {
                "target_ds": train_data["ds"].iloc[-1] + pd.Timedelta(hours=horizon),
                "yhat": pred_result["yhat"].iloc[-1],
            }
        )
    return pd.DataFrame(predictions)

# 调用方式
# forecast_result = rolling_forecast(df, window=240, horizon=24)
进阶效率优化方案

在基础版本上,通过以下调整可以把计算速度提升10~20倍,完全适配2400条样本的规模:

  • 关闭冗余日志输出:设置Prophet的Stan后端为静默模式,避免每次拟合时刷大量日志拖慢运行速度
  • 利用并行计算拆分任务:所有滚动窗口的拟合过程是完全独立的,没有数据依赖,可以通过多进程把计算任务拆分到所有CPU核心上,比如8核机器可以把整体运行时间压缩到单线程的1/8
  • 降低单窗口的计算冗余:Prophet默认针对长序列开启贝叶斯采样逻辑,对于仅240条样本的短窗口,设置mcmc_samples=0切换为最大后验估计模式,不需要走全量贝叶斯采样流程,这一步就能把单窗口的拟合速度提升10倍以上
  • 预生成固定结构的时间轴:因为预测频率(小时级)、预测步长(24小时)是固定的,不需要每次拟合都重新调用make_future_dataframe生成时间轴,提前预生成对应长度的future结构即可

参考并行优化的核心代码片段:

from joblib import Parallel, delayed

def fit_single_window(window_data, horizon=24):
    model = Prophet(
        mcmc_samples=0,
        silent=True,  # 静默Stan输出
        yearly_seasonality=False,
    )
    model.fit(window_data)
    future = model.make_future_dataframe(periods=horizon, freq="H")
    return model.predict(future)["yhat"].iloc[-1]

# 全核心并行运行
yhat_values = Parallel(n_jobs=-1, verbose=0)(
    delayed(fit_single_window)(df.iloc[i-240:i])
    for i in range(240, len(df))
)
常见踩坑提示
  • 不要尝试给rolling.apply设置raw=False来支持多列输入:这种模式的运行速度比手动切窗口还要慢3倍以上,没有任何性价比
  • 不要给短窗口模型保留全量季节项:240小时的窗口仅覆盖10天的小时级数据,没有足够样本支撑年度周期、长周期趋势的拟合,开启这类参数只会增加计算量、引发过拟合
  • 确保输入的ds列是连续无缺失的时间序列:如果时间点存在断点,Prophet会自动补全缺失点,导致预测结果和你的预期出现偏差

内容的提问来源于stack exchange,提问作者RevFlux

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.25 11:54:04