Python 家庭用电数据分析与 Prophet 时间序列预测

转换完成后，再次检查数据类型，确保数值列已正确识别。

df.dtypes

![转换后的数据类型]

接下来看看各变量之间的相关性，这有助于理解特征间的关系。使用 Seaborn 绘制热力图是个直观的选择。

import seaborn as sns
sns.heatmap(df.drop(['Date', 'Time'], axis=1).corr(), annot=True)

![相关系数热力图]

Prophet 模型预测

Prophet 是 Facebook 开源的一个基于可加性模型的时间序列预测工具。它特别适合处理具有强烈季节性效应、节假日影响以及趋势变化的数据，对缺失值和异常值也具备较好的鲁棒性。

我们先简单了解一下模型的结构：

• 趋势 (g(t))：拟合非周期性变化，支持分段线性或逻辑增长。
• 季节 (s(t))：捕捉年度、周度等周期性波动。
• 假期 (h(t))：处理特定节假日的影响。
• 噪声 (εt)：随机波动项。

在实际应用中，我们不需要手动调参就能得到不错的结果。下面是一个通用的预测封装函数，可以针对不同的目标变量进行未来半年的预测。

from prophet import Prophet

def prophet_forecaster(data, x, y, period=180):
    # 准备数据框，Prophet 要求列名为 'ds' 和 'y'
    new_df = pd.DataFrame(columns=['ds', 'y'])
    new_df['ds'] = data[x]
    new_df['y'] = data[y]
    
    # 初始化并训练模型
    model = Prophet()
    model.fit(new_df)
    
    # 生成未来日期
    future_dates = model.make_future_dataframe(periods=period)
    forecast = model.predict(future_dates)
    
    # 绘图
    fig = model.plot(forecast)
    plt.title(f"Forecasting on the next {period} days for {y}")
    plt.show()
    return forecast

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

![未来半年有功功率预测结果]

同样的方法也可以应用于电压、无功功率等其他指标。通过对比不同变量的预测曲线，我们可以更清晰地看到用电模式的变化规律。

![未来半年其他指标预测结果]

为什么选择 Prophet？

相比于传统的 ARIMA 等方法，Prophet 有几个显著优势：

1. 自动化程度高：无需人工干预即可自动检测趋势变化点和季节性参数。
2. 可解释性强：模型输出包含趋势、季节性和节假日贡献，方便业务人员理解。
3. 容错性好：对缺失数据和离群点不敏感，不需要复杂的预处理填补缺失值。
4. 交互友好：支持交互式探索，可以根据业务经验调整参数或添加自定义节假日。

如果你在处理能源消耗、销售预测等具有明显周期性的时间序列问题，Prophet 是一个非常值得尝试的工具。