Python 家庭用电数据分析与 Prophet 时间序列预测

from tqdm.auto import tqdm
from ipywidgets import HBox, FloatProgress, HTML

# 将'Date'列转换为日期时间格式
df['Date'] = pd.to_datetime(df['Date'])

# 定义需要转换为数字的列
numeric_cols = ['Global_active_power', 'Global_reactive_power', 'Voltage', 
                'Global_intensity', 'Sub_metering_1', 'Sub_metering_2', 'Sub_metering_3']

# 定义容错转换函数
def safe_float(string):
    try:
        return float(string)
    except (ValueError, TypeError):
        return 0.0  # 缺失值暂用 0 填充，实际项目中建议根据业务逻辑插值

# 批量转换
for column in tqdm(numeric_cols):
    df[column] = df[column].apply(safe_float)

转换完成后，再次检查数据类型和头部数据，确保无误。随后绘制相关系数热力图，观察各变量间的相关性，这有助于理解电力消耗的内部关联：

sns.heatmap(df.drop(['Date', 'Time'], axis=1).corr(), annot=True)
plt.show()

Prophet 模型预测

Facebook 开源的 Prophet 是一个基于可加性模型的时间序列预测工具，特别适合具有强季节性效应（日、周、年）的数据。它对缺失值和趋势变化具有较强的鲁棒性。

为了演示效果，我们随机抽取 10000 行数据进行训练，这样既能保证模型收敛速度，又能体现主要趋势：

from prophet import Prophet

df_sample = df.sample(n=10000, random_state=42)

def prophet_forecaster(data, x, y, period=180):
    # 构建 Prophet 所需的标准格式 [ds, y]
    new_df = pd.DataFrame({'ds': data[x], 'y': data[y]})
    
    model = Prophet()
    model.fit(new_df)
    
    future_dates = model.make_future_dataframe(periods=period)
    forecast = model.predict(future_dates)
    
    fig = model.plot(forecast)
    plt.title(f"未来 {period} 天 {y} 预测")
    plt.show()
    return forecast

# 对有功功率进行预测
prophet_forecaster(df_sample, x='Date', y='Global_active_power', period=180)

运行上述代码后，我们可以得到未来半年的有功功率、无功功率、电压及电流强度的预测曲线。这些图表直观地展示了模型的拟合效果及置信区间。

模型原理与优势

Prophet 的核心思想是将时间序列分解为几个可解释的成分：

• 趋势 (g(t))：拟合非周期性的增长或下降，支持分段线性或对数逻辑增长。
• 季节性 (s(t))：通过傅里叶级数模拟年度、周度等周期性波动。
• 节假日 (h(t))：识别特定节假日带来的影响。
• 噪声 (εt)：假设服从高斯分布的随机误差。

在实际应用中，Prophet 的优势非常明显：

1. 自动化程度高：无需复杂的人工调参即可处理混乱数据。
2. 可解释性强：参数含义清晰，便于结合业务知识调整。
3. 鲁棒性好：对缺失值和异常值不敏感，无需繁琐的清洗步骤。
4. 交互友好：支持交互式探索，方便分析师快速验证假设。

通过可视化的方式反馈预测结果，分析师可以直观判断模型是否满足需求，若效果不佳，可进一步调整参数或引入外部回归量。这种工作流非常适合电力负荷预测等具有明显季节特征的场景。