一、时间序列是什么？
时间序列预测模型是能够根据先前观察到的值预测 未来值的模型。时间序列预测广泛用于非平稳数据。非平稳数据被称为数据，其统计特性（例如均值和标准差）不随时间恒定，而是这些指标随时间变化。
这些非平稳输入数据（用作这些模型的输入）通常称为时间序列。时间序列的一些示例包括随时间变化的温度值、随时间变化的股票价格、随时间变化的房屋价格等。因此，输入是一个信号（时间序列），由按时间顺序进行的观察定义。
本文使用的模型Prophet是Facebook开发的，传统上，大多数机器学习模型使用一些观察（样本/示例）作为输入特征，但数据中没有时间 维度。
二、预测模型
Prophet模型是可以捕捉时间序列数据中季节性的模型，能够捕捉每日、每周和每年的季节性以及假期 影响。
模型数学方程式为：
y(t) = g(t) + s(t) + h(t) + e(t)
其中：
- g(t) 代表趋势。Prophet 使用分段线性模型进行趋势预测。
- s(t) 表示周期性变化（每周、每月、每年）。
- h(t) 代表假期的影响（比如：假期影响企业）。
- e(t) 是误差项。
Prophet 模型拟合过程通常非常快（即使对于数千次观察），并且不需要任何数据预处理。它还处理缺失数据和异常值。
三、环境搭建
请看这篇文章：prophet安装详细过程
四、历史数据获取
本文来分析原油 ，数据为2022年一月一号到二月28号：原油数据
导入模块：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
读取数据：
data = pd.read_csv(r"C:\Users\hp\Desktop\spyder\you.csv")
data.head(5)
打印一些统计数据，例如上述特征（列）的平均值、中位数、最小值、最大值和标准差值
data.describe()
如下：
可见今年三个月平均价格是：86.895500，最高价格是95.800003
选出指标：
#仅选择重要特征，即日期和价格
data = data[["Date","Close"]] # 选择日期和价格
# 重命名特征：模型拟合需要这些名称
data = data.rename(columns = {
"Date":"ds","Close":"y"}) #重命名数据集的列
data.head(5)
五、建立预测模型
我们不会将数据拆分为训练集和测试集，而是使用所有数据来拟合模型，然后让模型预测未来值：
from fbprophet import Prophet
m = Prophet(daily_seasonality = True) # the Prophet 模型
m.fit(data) # 使用所有数据拟合模型
如下：
六、绘制绘制预测未来10天
为什么只预测10天？因为太远了不靠谱，容易受各种外界影响：
future = m.make_future_dataframe(periods=10) #我们需要指定未来的天数
prediction = m.predict(future)
m.plot(prediction)
plt.title("Prediction of the yuanyou Stock Price using the Prophet")
plt.xlabel("Date")
plt.ylabel("Close Stock Price")
plt.show()
该模型使用所有数据进行训练（黑点）并预测了未来10天。这预测结果似乎有点离大浦，希望不是真的！
七、绘制趋势、每周、季节性、每年和每日分量
如果您想查看预测组件，即趋势、每周、季节性、每年和每日组件：
m.plot_components(prediction)
plt.show()
分别如下：
还是这样的结果更加合理，因为只预测了10天，所以看一下天和周就行了，从第一张图看出：油在未来几天还在涨价。从第二张图可以看出，在星期五就会降价。
八、免责声明
虽然本数学模型似乎已经是最先进的股票预测模型，但是我无法保证你使用它能盈利赚钱，本次练习仅为个人练习使用，本博主技术不佳，还请指教。欢迎你与我一起qq群交流：428335755，非学习勿扰。