最开始先交代点背景：这几天都一直在忙着做学校研究生数学建模的选拔赛，题目是2020年MathorCup高校数学建模挑战赛B题，有兴趣的童鞋可以去看看哈，主要是研究关于国家养老服务床位未来的发展趋势（本身题目里没有给足够多的数据，所以需要自己动手搜集，令人头大）。本来最开始想到的是灰色预测或者ARIMA时间序列模型，结果无意之中发现了非常强大的Facebook开源的Prophet时间序列预测工具，操作简单，所以特别写了这篇博客总结下Prophet的原理、安装和使用。
一、Prophet算法的原理
Prophet 是一种基于附加模型预测时间序列数据的过程。Prophet在Facebook的许多应用程序中用于生成可靠的计划和目标设定预测。在大多数情况下，它的性能要优于其他任何方法。无需人工即可获得有关杂乱数据的合理预测。Prophet对异常值，丢失的数据以及时间序列中的急剧变化具有鲁棒性，能够很好地处理异常值，为用户提供了许多调整和调整预测的可能性，可以在R和Python中实现Prophet过程。
具体原理可以查看Facebook发布的论文，可以在github上免费获取，题目为《Forecasting at Scale》，传送地址：
- https://facebook.github.io/prophet/
- https://github.com/facebook/prophet
二、fbprophet库的安装（for python）
Prophet目前可以通过Python和R调用，这里只介绍在python上怎么安装和使用（其实是博主不太会用R）。我们将在Win10下的Anaconda虚拟环境中安装fbprophet库。Anaconda的安装和使用会在之后的博客中专门总结，有兴趣的可以点一下关注哈！
(1) 打开创建好的虚拟环境
activate ML（虚拟环境名）(2)安装PyStan
conda install pystan(2) 安装fbprophet库
conda install -c conda-forge fbprophet(3) 安装plotly
conda install plotly -y (4) 导入fbprophet库
from fbprophet import Prophet注：切记不能直接使用pip安装！
三、Prophet库的使用
from fbprophet import Prophet # 导入Prophet# 数据预处理
train_data = dataset[['年份', '60岁以上人口数(万人)']]
train_data.columns = ['ds', 'y'] # 模型建立和训练，interval_width参数表示置信度
model = Prophet(interval_width=0.95)
model.fit(train_data)# 数据预测，periods表示预测点数，freq表示预测频率
future = model.make_future_dataframe(periods=3,freq='YS') # 预测未来
forecast = model.predict(future)model.plot(forecast) # 绘制图形