简介
Facebook 预言家 是一个基于加法模型的时间序列数据预测程序，其中非线性趋势与年、周、日的季节性以及假日效应相适应。它对具有强烈季节性效应的时间序列和几个季节的历史数据效果最好。Prophet对缺失的数据和趋势的转变很稳健，而且通常能很好地处理异常值。Facebook Prophet的一些特点是
- 准确和快速： Prophet被用于整个Facebook的许多应用中，为计划和目标设定产生可靠的预测。我们发现在大多数情况下，它的表现比其他任何方法都好。我们在斯坦中拟合模型，因此你只需几秒钟就能得到预测结果。
- 完全自动： 在混乱的数据上获得合理的预测，而不需要人工努力。Prophet对异常值、缺失数据和你的时间序列的巨大变化具有很强的稳定性。
- 可调整的预测： Prophet程序包括许多可能性，使用户可以调整预测。你可以使用人类可解释的参数，通过添加你的领域知识来改善你的预测。
- 在Python和R中的可用性： 我们已经在R和Python中实现了Prophet程序，但它们共享相同的基础Stan代码进行拟合。使用你所熟悉的任何语言来获得预测结果。
要了解更多关于Facebook先知的信息，请点击以下链接：peerj.com/preprints/3…
研究论文
- 基于真实世界的数据，应用Facebook的Prophet算法进行成功的销售预测 (医学文献)
作者 : Emir Zunic,Kemal Korjenic,Kerim Hodzic,Dzenana Donko
摘要 : 本文提出了一个框架，能够准确预测零售业的未来销售，并根据预测可靠性的预期水平对产品组合进行分类。本文提出的框架对任何在零售业经营的公司都非常有用，它是基于Facebook的先知算法和回测策略。在波斯尼亚和黑塞哥维那最大的零售公司之一的生产环境中实验获得的真实世界销售预测基准数据被用来评估该框架，并证明其在真实世界用例场景中的能力。
2.将Facebook Prophet和LSTM与BPNN相结合 预测金融市场：摩根台湾指数(IEEE)
摘要 : 很多人在机器学习中使用的循环神经网络（RNN）经常面临梯度消失的情况，为了解决这个问题。现代学者经常使用1997年提出的长短时记忆（LSTM）来预测时间序列样本。然而，Facebook认为，过去的时间序列模型大多存在调整参数缺失的问题。因此，它在2017年开发了一套周期参数和趋势参数的预测工具先知。本文利用LSTM和Prophet预测时间序列数据的趋势，并将预测趋势与反神经网络模型（BPNN）相结合进行预测。实证结果表明，这种方法确实可以实现准确的预测趋势，并减少误差。本研究有望在未来为该研究文献做出贡献，从而提高投资者针对长期布局的能力。
3.使用Facebook Prophet和Arima模型预测股票价格 (IEEE)
作者 : Anusha Garlapati,Doredla Radha Krishna,Kavya Garlapati,Nandigama mani Srikara Yaswanth,Udayagiri Rahul,Gayathri Narayanan
摘要 : 随着大流行病的不断发生，股票市场、纺织品等大宗商品也变得萧条。股市预测是指寻求限定股票和不同金融工具在交易所的预期可销售性的外观。预测散户估值将如何执行是对困境的最终破坏性计策之一。零售预测对于定量解释者和投资组织来说是非常重要的。零售业的估值预测对于零售业市场上的功绩支出是很重要的。在投资组合优化中，分析预期时间段内双胞胎资产的估值相互关系是至关重要的。推荐的解释是共性的，因为它包括零售广告数据集的预处理，各种探索性分析程序的应用，以及零售估值偏差预测的定制算法旁边的合作。在这种情况下，Facebook先知和Arima模型被用于预测未来股票的零售估值，这些模型被用来分析股票市场的未来价值以及它与以前的股票市场有何不同。通过周密的架构和对猜想前提和数据预处理技术的考虑，这项工作致力于零售估计分析。
4.印度Telangana的COVID-19医院床位利用率预测 (IEEE)
作者 : Narayana Darapaneni,Mahita GM,Anwesh Reddy Paduri,Sateesh Kumar Talupuri,Vasundhara Konanki,Shruti Galande,Chiru Hasini Tondapu
摘要 :我 们的研究旨在预测印度Telangana的COVID-19患者在公立和私立医院中对隔离床、氧气床和重症监护室（ICU）床位的需求。利用流行病模型和时间序列分析技术，我们可以从COVID-19确诊病例的历史数据中预测未来每天的COVID-19病例和活动病例。从历史数据分析中，我们还可以确定住院病例与活动病例的模式，也可以确定各类床位占用数的模式。该模式用最小、最大和平均百分比表示。我们已经在许多欧洲国家观察到COVID-19的第二波，并且比第一波蔓延得更快。在印度，我们必须准备好应对第二波，因为大多数城市的封锁已经放松，它可能会更加猖獗。由于旅行和聚会正在恢复正常，大量人口可能会受到影响，需要立即住院治疗。我们提出了一个过程/方法，通过预测COVID-19阳性和活动性病例来估计病床占用数，使用修改后的易感-感染-恢复（SIR）模型进行传染，使用FB-Prophet模型进行时间序列分析。我们使用来自Telangana政府公报的COVID-19大流行的官方数据，直到2020年12月31日，用于我们的过程/方法学。SIR模型比较直观，可以解释，但需要大量的试验和假设。与SIR建模相比，FB-Prophet预测过程简单，准确性也更好。
5.使用Facebook Prophet进行云资源管理的时间序列预测 (IEEE)
作者 : Mustafa Daraghmeh,Anjali Agarwal,Ricardo Manzano,Marzia Zaman
摘要 : 云环境中运行的工作负载的异质性使得未来的资源使用预测成为一个复杂的问题。虚拟机可以用五种类型的资源利用模式来描述：稳定、趋势、季节性、周期性和突发性行为。了解这些使用模式和行为可以加强云数据中心的资源管理，特别是虚拟机调度、电源管理和服务器健康管理系统。本文在微软Azure虚拟机工作负载上应用Facebook先知预测框架，预测运行任务所需的未来资源利用率。我们的结论是，在真实的虚拟机轨迹上利用数据预处理和转换，并结合自动模型超参数调整过程，可以显著提高预测的准确性，平均变化百分比超过85%。此外，云供应商可以从他们的数据中心工作负载中学习，并采用各种预测模型，以获得成本效益的资源管理的实质性改善。
6.使用Facebook的先知方法进行下水道空气温度传感器系统异常检测的时间预测驱动方法 (IEEE)
作者 : Karthick Thiyagarajan,Sarath Kodagoda,Nalika Ulapane,Mukesh Prasad
摘要 : 智能传感器系统在经历微生物腐蚀的混凝土下水管道的状态评估中起着决定性的作用。很少有澳大利亚水务公司采用预测分析模型来估计腐蚀情况。他们需要传感器的输入，如下水道空气温度数据来进行腐蚀预测。开发了一个传感器系统来监测恶劣的下水道环境条件下的下水道空气温度的日常变化。然而，评估流式传感器数据的诊断工具对于可靠的监测是至关重要的。在这种情况下，本文提出了一种时间预测驱动的方法来检测下水道空气温度传感器系统的异常情况。对几种时间预测模型进行了综合评估，并采用了基于Facebook的先知方法进行预测，以开发出一种异常检测方法。用下水道空气温度传感器数据对所提出的方法进行了评估，结果表明有合理的异常检测性能。
7.预言家和深度学习与ARIMA在预测食品批发价格方面的比较 (arXiv)
作者 : Lorenzo Menculini,Andrea Marini,Massimiliano Proietti,Alberto Garinei,Alessio Bozza,Cecilia Moretti,Marcello Marconi
摘要 : 正确制定销售价格对企业来说是非常重要的，因此，对价格时间序列的研究和预测不仅从数据科学的角度，而且从经济和应用的角度都是一个相关的话题。在本文中，我们研究了意大利一家食品批发商应用的三种食品销售价格的不同预测技术，作为实现通常由人类劳动力负责的定价任务自动化的一个步骤。我们考虑了ARIMA模型，并将其与Facebook开发的基于广义加法模型的可扩展预测工具 "先知"，以及基于长短期记忆（LSTM）和卷积神经网络（CNN）的深度学习模型进行比较。ARIMA模型在计量经济学分析中经常使用，为所研究的问题提供了一个很好的基准。我们的结果表明，在所考虑的预测任务中，ARIMA的表现与LSTM神经网络相似，而CNN和LSTM的组合达到了最佳的整体精度，但需要更多的时间来调整。相反，Prophet的使用速度非常快，但精确度较低。
总结
因此，这些是我发现的基于Facebook先知 的最佳研究论文**。** 我希望所有的读者都能发现这些论文的有用性和趣味性:)。
基于Facebook先知的最佳研究论文最初发表在《Nerd For Tech》杂志上，人们通过强调和回应这个故事来继续对话。
