饱和预测
默认情况下，Prophet 使用线性模型进行预测。在预测增长时，通常有一些最大可达到的点：总市场规模、总人口规模等。这称为承载能力，预测应该在这个点饱和。
饱和预测
预测什么时候会达到饱和
什么意思？
在一定资源情况下，兔子数量的生长曲线呈sigmoid函数那样的趋势，我们就是预测那个趋势
那个环境资源能使得存在的最大兔子数量为下面设定的cap
曲线的趋势变化呈 sigmoid函数那样子变化
趋势变化点
默认情况下，Prophet 会自动检测这些变化点，并允许趋势进行适当的调整。但是，如果您希望对这个过程有更好的控制（例如，Prophet 错过了一个速率变化，或者在历史中过度拟合了速率变化），那么您可以使用几个输入参数。
我的理解是拐点数量关于拐点的幅度的曲线如右图
季节性、假期效应和回归量
对比：假期效应一般按年算，季节性更加细分时间段
假期
假期效应是什么意思？
基于指定假期或者是国家法定节假日那个时间(一般是基于year的)作为一个关键点，构建模型的时候会优先考虑
如果您有假期或其他要建模的重复事件，则必须为它们创建一个数据框。它有两列（holiday和ds）和一行用于假期的每次出现。它必须包括假期的所有事件，包括过去（就历史数据而言）和未来（就做出预测而言）。如果它们将来不再重复，Prophet 将对它们进行建模，然后不将它们包含在预测中。
我的理解：
假期会作为影响曲线变化的因素，我们对假期这个时间段单独抽取出来进行分析
两种方式：
指定日期时间进行分析(对这个时间段进行一个命名，也类似与对假期进行一个补充)
使用python内置的各个国家的法定假期日，不用自己定义时间段了
对这个进行操作的结果是，多了一列分析数据，是假期的
添加假期：
自定义holiday
代码
m = Prophet(holidays=holidays)
m.fit(df)
国家法定节假日
m = Prophet(holidays=holidays)
m.add_country_holidays(country_name=‘US’)
m.fit(df)
调整假期的曲线拟合程度，
如果您发现假期过度拟合，您可以使用参数调整它们的先验比例以平滑它们holidays_prior_scale。默认情况下，此参数默认为 10，它提供的正则化很少。减少此参数会抑制假期效果：
代码：
m = Prophet(holidays=holidays, holidays_prior_scale=0.05).fit(df)
forecast = m.predict(future)
forecast[(forecast[‘playoff’] + forecast[‘superbowl’]).abs() > 0][
[‘ds’, ‘playoff’, ‘superbowl’]][-10:]
季节性
季节性的傅里叶顺序
什么意思？
基于近几年的数据，通过周期性(每年yearly,每周weekly,每日daily)建立一个周期性模型，使用傅里叶级数拟合曲线
季节性是使用部分傅立叶和来估计的。有关完整详细信息，请参阅论文，以及Wikipedia上的此图，以说明部分傅立叶和如何近似任意周期信号。部分和（顺序）中的项数是一个参数，它决定了季节性变化的速度。为了说明这一点，请考虑快速入门中的 Peyton Manning 数据。年度季节性的默认傅立叶阶数为 10，这会产生以下拟合：
原理：
默认傅里叶阶数为10
from prophet.plot import plot_yearly
m = Prophet().fit(df)
a = plot_yearly(m)
修改傅里叶阶数，阶数越高拟合精度越高
说明
默认值通常是合适的，但是当季节性需要适应更高频率的变化时可以增加它们，并且通常不太平滑。实例化模型时，可以为每个内置季节性指定傅立叶阶数，这里增加到 20：
from prophet.plot import plot_yearly
m = Prophet(yearly_seasonality=20).fit(df)
a = plot_yearly(m)
???跟下面季节性曲线的平滑调整有什么区别？？？？
指定自定义季节性
默认的季节性(每年yearly,每周weekly,每日daily)，想要添加月季节性需要手动添加
这里是什么意思？
把Prophet模型去计算周季节性关闭，同时添加一个自定义季节性计算，以每30.5天作为一个周期即月来计算周期性
将所有数据按照30.5天为一个周期总结出一个月周期变化的关系曲线
代码
m = Prophet(weekly_seasonality=False)
m.add_seasonality(name=‘monthly’, period=30.5, fourier_order=5)
对这个指定季节性进行调整，调整季节性的拟合程度
说明：
如果您发现假期过度拟合，您可以使用参数调整它们的先验比例以平滑它们holidays_prior_scale。默认情况下，此参数为 10，它提供的正则化很少。减少此参数会抑制假期效果：
m = Prophet()
m.add_seasonality(
name=‘weekly’, period=7, fourier_order=3, prior_scale=0.1)
取决于其他因素的季节性
什么意思？
数据集原本就是2月份到8月份之间销量很少，如上面的yearly图 下面的做法类似这个思路： 把数据集划分成2~8月份和1，9，10，11，12月份两个数据集分别计算两个"季度"的周期性！！！
这里举例子：在一年中划分旺季和淡季的时间段，分别做周期性分析
def is_nfl_season(ds):
date = pd.to_datetime(ds)
return (date.month > 8 or date.month < 2)
df[‘on_season’] = df[‘ds’].apply(is_nfl_season)
df[‘off_season’] = ~df[‘ds’].apply(is_nfl_season)
m = Prophet(weekly_seasonality=False)
m.add_seasonality(name=‘weekly_on_season’, period=7, fourier_order=3, condition_name=‘on_season’)
m.add_seasonality(name=‘weekly_off_season’, period=7, fourier_order=3, condition_name=‘off_season’)
future[‘on_season’] = future[‘ds’].apply(is_nfl_season)
future[‘off_season’] = ~future[‘ds’].apply(is_nfl_season)
forecast = m.fit(df).predict(future)
fig = m.plot_components(forecast)
额外的回归量
不太懂这个是什么