Meta/Facebook Prophet Zeitreihenprognosen ohne tiefe Modellkenntnisse erstellen

Anbieter zum Thema

INFOMOTION GmbH

QUNIS GmbH

Die Modellierung komplexer Zeitreihen erhält mit der Open-Source-Bibliothek Prophet eine strukturierte Grundlage. Die Bibliothek steht für Python und R zur Verfügung und fasst Trendkomponenten, periodische Muster und Ereigniseffekte in einem additiven Modell zusammen. Dadurch lassen sich Prognosen erstellen, die auch bei unregelmäßigen Intervallen oder fehlenden Werten belastbar bleiben.

Prophet nutzt ein additives Modell aus Trend, Saisoneffekten und Ereignissen. Die Python-Version wird am häufigsten genutzt und kann direkt über PyPI installiert werden:

In Python wird Prophet üblicherweise so importiert:

Die Zeitinformation steht im Mittelpunkt, da Prophet alle relevanten Zeitmerkmale aus der Folge selbst ableitet. Die Trendkomponente beschreibt langfristige Aufwärts- oder Abwärtsbewegungen. Die Saisonkomponente bildet wiederkehrende Muster ab. Ereignisse fügen zusätzliche Effekte hinzu, die an bestimmten Tagen oder Zeitpunkten auftreten. Die additive Struktur erzeugt Transparenz, da jede Komponente isoliert sichtbar bleibt. Datenwissenschaftler erkennen dadurch schnell, ob zyklische Muster, Trendwechsel oder externe Einflussfaktoren dominieren.

Trendmodellierung mit Prophet

Die Trendmodellierung nutzt eine stückweise lineare oder eine logistische Wachstumskurve. Die stückweise lineare Variante unterteilt den Verlauf in Segmente. Prophet erkennt dafür potenzielle Trendwechselpunkte entlang der historischen Daten. Die logistische Variante eignet sich für Reihen mit Kapazitätsgrenzen. Beide Ansätze profitieren von Parametern, die die Flexibilität der Trendlinie kontrollieren. Eine feine Abstimmung dieses Verhaltens ist wichtig, da der Trend einen Großteil der Prognose bestimmt. Eine zu hohe Flexibilität erzeugt starke Reaktionen auf lokale Schwankungen. Eine zu geringe Flexibilität lässt Wendepunkte ungenutzt. Prophet nutzt standardmäßig einen festen Anteil der frühen Historie, um mögliche Trendwechsel zu platzieren. Dieser Anteil lässt sich erweitern, um jüngere Daten stärker einzubeziehen.

Bildergalerie

Die Saisonkomponente basiert auf Fourier-Reihen. Prophet bildet dadurch periodische Muster für tägliche, wöchentliche oder jährliche Zyklen ab. Die Ordnung der Fourier-Reihe bestimmt die Detailtiefe. Geringe Ordnungen bilden glatte Verläufe ab. Höhere Ordnungen erfassen komplexere Muster. Bei Reihen mit wenigen periodischen Stützstellen stößt diese Darstellung an Grenzen, da extreme Ausschläge einzelner Tage nur eingeschränkt abbildbar sind. In solchen Fällen entsteht ein Nutzen durch zusätzliche saisonale Strukturen oder durch Kombination mehrerer Modelle.

Prophet kann Kalender und Ereignislisten nutzen

Ereignisse erweitern die Prognose. Prophet nutzt Feiertagskalender oder benutzerdefinierte Ereignislisten. Die Integration erfolgt über kategorische Regressoren, die an bestimmten Tagen aktiv sind. Variable Ereignisse wie Schulferien, die sich jedes Jahr verschieben, lassen sich ebenfalls abbilden. Prophet verarbeitet diese Signale additiv oder multiplikativ. Die additive Variante passt sich an absolute Effekte an. Die multiplikative Variante beschreibt relative Einflüsse. Externe Regressoren erweitern das Modell und fügen weitere zeitabhängige Informationen hinzu. Für multivariate Szenarien ergibt sich dadurch ein Vorteil, wenn zukünftige Werte externer Variablen bekannt oder deterministisch ableitbar sind.

Datenvorbereitung für Prophet

Die Datenvorbereitung erfordert zwei Spalten. Die Zeitstempel liegen in der Spalte „ds“, die Zielvariable in der Spalte „y“. Prophet sortiert die Daten chronologisch und prüft automatisch auf fehlende Werte. Prophet akzeptiert unregelmäßige Intervalle. Die Vorhersage erfolgt über ein zukünftiges Datenfenster, das Prophet durch einen erweiterten Zeitstempelbereich repräsentiert. Bei multivariaten Modellen müssen auch alle externen Regressoren in zukünftigen Zeitpunkten vorliegen. Bei deterministischen Mustern wie Ferien, wiederkehrenden Ereignissen oder regelmäßigen Kampagnen ist ein realistisches Vorgehen wichtig. Bei stochastischen Größen entfällt dieser Ansatz.

Die Modellierung verläuft in Python oder R identisch. Beide Umgebungen nutzen die Konfiguration über ein Prophet-Objekt. Die Prognose wird durch „fit“ und „predict“ erstellt. Prophet erzeugt anschließend einen Datenrahmen mit yhat, yhat_lower und yhat_upper. Die Komponentenansicht zeigt Trend, Saison und Ereignisse separat. Das ergibt einen Vorteil in Projekten, die eine nachvollziehbare Prognose verlangen. Die Komponenten lassen sich vergleichen und plausibilisieren.

Hyperparameter mit Prophet

In anspruchsvollen Szenarien erweitert Prophet die Modellierung durch Hyperparameter. Die Parameter changepoint_prior_scale, changepoint_range und seasonality_prior_scale steuern Flexibilität, Trendverhalten und saisonale Detailtiefe. Eine systematische Abstimmung dieser Parameter erzeugt deutliche Leistungsgewinne. Prophet reagiert stark auf Trendfehler. Eine falsch geschätzte Trendrichtung vergrößert Abweichungen über längere Horizonte. Das ergibt einen Vorteil durch gezielte Trendkontrolle und die Entfernung extremer Ausreißer im Vorfeld.

Unternehmen nutzen Prophet für operative und strategische Prognosen. Prognosen für Absatz, Energiebedarf, Verkehrsaufkommen, Produktionsauslastung oder finanzielle Indikatoren profitieren vom Fokus auf Trend und Saison. Prophet skaliert in Szenarien mit vielen Reihen, da jede Reihe ein eigenes Modell erhält und die Laufzeiten gering bleiben. Die Parallelisierung mehrerer Modelle erzeugt einen Vorteil bei umfangreichen Datenbeständen. Prophet verarbeitet mehrere hundert oder tausend Reihen auf normaler Hardware. Für langfristige Horizonte hängt die Prognosequalität stark von der Trendstabilität ab. Prophet nutzt keine gewichtete Historie. Dadurch reagiert das Modell nicht bevorzugt auf jüngste Beobachtungen. Bei langen Reihen kann eine Verkürzung der Trainingshistorie die Genauigkeit erhöhen.

Prophet liefert begrenzte Unterstützung für nichtlineare Interaktionen. Das additive Modell erkennt Kombinationen externer Faktoren nicht automatisch. Projekte mit komplexen Abhängigkeiten zwischen Regressoren profitieren daher von ergänzenden Modellen oder manuellen Merkmalskreuzungen. Die Zahl solcher Kreuzungen steigt schnell und erschwert die Wartung. In solchen Fällen bietet die Prophet-Komponente Transparenz, während andere Modelltypen wie baumbasierte Verfahren oder bayesianische Strukturen deutlich flexibler reagieren.

Praktischer Einsatz und Prognosequalität

Die Bewertung der Prognosequalität nutzt häufig Metriken wie MAE oder MAPE. Zeitreihen erfordern eine zeitgerechte Kreuzvalidierung. Prophet enthält dafür integrierte Routinen, bei denen rollende Train-Test-Fenster entstehen. Dadurch prüft das Modell seine Stabilität über verschiedene Prognosehorizonte hinweg. Projekte mit hoher Prognoseanforderung nutzen diesen Ansatz fortlaufend und passen die Hyperparameter wiederholt an.

Im praktischen Einsatz ergibt sich ein Vorteil durch die Geschwindigkeit. Prophet passt Modelle in kurzer Zeit an. Neue Daten lassen sich unmittelbar integrieren. Wiederholte Anpassungen verbessern die Stabilität, wenn sich der Trend verändert. Komplexe Szenarien wie Callcenter-Volumina, Einzelhandelsumsätze oder industriell geprägte Reihen profitieren von diesem Verhalten. Prophet erzeugt nachvollziehbare Prognosen auch ohne tiefgreifende statistische Kenntnisse und verkürzt den Weg zur einsatzbereiten Vorhersage.

(ID:50650707)