Python 家庭用电数据分析与 Prophet 时间序列预测

转换完成后再次确认数据类型及头部数据，确保数值列已正确解析。

为了观察变量间的相关性，我们绘制热力图。这里排除了 Date 和 Time 等非数值列。

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

Prophet 预测

Prophet 是 Facebook 开源的时间序列预测工具，擅长处理具有强烈季节效应、趋势变化及节假日影响的数据。它对缺失值和异常值具有较强的鲁棒性。

模型构建与预测

由于全量数据计算量较大，我们在演示中随机抽取了部分样本以提高效率。接下来封装一个预测函数，支持灵活配置目标变量和预测周期。

from prophet import Prophet

print(df.shape)

# 采样以加快演示速度
df_sample = df.sample(n=10000)

def prophet_forecaster(data, x, y, period=100):
    # 准备 Prophet 所需格式：ds (日期), y (目标值)
    new_df = pd.DataFrame(columns=['ds', 'y'])
    new_df['ds'] = data[x]
    new_df['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"Forecasting on the next {period} days for {y}")
    plt.show()
    return forecast

# 预测有功功率
prophet_forecaster(df_sample, x='Date', y='Global_active_power', period=180)

# 预测无功功率
prophet_forecaster(df_sample, x='Date', y='Global_reactive_power', period=180)

# 预测电压
prophet_forecaster(df_sample, x='Date', y='Voltage', period=180)

# 预测电流
prophet_forecaster(df_sample, x='Date', y='Global_intensity', period=180)

运行上述代码可得到未来半年的各项指标预测曲线。从结果中可以看出，模型成功捕捉到了数据的周期性波动。

Prophet 模型原理

理解其内部机制有助于更好地调整参数。Prophet 采用可加性模型，公式如下：

• $g(t)$：趋势函数，拟合非周期性变化（分段线性或逻辑增长）；
• $s(t)$：周期性分量，如年度、周度季节性（使用傅里叶级数建模）；
• $h(t)$：节假日效应，通过虚变量表示特定日期的影响；
• $\epsilon_t$：噪声项，假设服从高斯分布。

核心优势

1. 自动化程度高：集成全自动流程，无需人工干预即可处理混乱数据。
2. 鲁棒性强：对缺失值和剧烈变化的时间序列表现良好，无需繁琐的填补缺失值操作。
3. 可解释性好：参数易于理解，便于结合业务知识进行调整。
4. 交互友好：支持交互式探索，能快速验证不同参数下的预测效果。

在实际应用中，若发现整体表现不理想，可通过可视化反馈定位误差来源，进而优化模型结构或引入更多外部特征。