Prophetを使ってみる

入門

2.8.1

Prophetを使ってみる

最終更新 2020-01-29 読了時間 1 分
まとめ
  • Prophetで時系列をトレンド・季節性・休日効果に分解して予測する。
  • prophet.Prophetでモデルを構築し、make_future_dataframe()とpredict()で将来値を推定する。
  • 欠損や外れ値があるビジネスデータの売上・アクセス数予測に手軽に使える。

Prophetは、Facebook（現Meta）が開発した時系列予測のライブラリです。 季節性やトレンドを簡単にモデル化でき、統計の専門知識がなくても直感的に利用できます。 ビジネス現場でも「売上予測」「アクセス数予測」などに広く使われています。

1. Prophetとは？ #

  • 時系列データを「トレンド + 季節性 + 休日効果」に分解して予測するモデル。
  • 欠損値や外れ値にも比較的強い。
  • scikit-learn風のインターフェースで、学習・予測がシンプル。

公式ドキュメント：

K_DM - 時系列 > 予測 > Prophet でもProphetを扱っています。
本章の続きは K_DM - 時系列 に掲載しています。

2. ダミーの時系列データを作成 #

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import numpy as np
import pandas as pd
import seaborn as sns
from prophet import Prophet

sns.set(rc={"figure.figsize": (15, 8)})

# 365日のデータ
date = pd.date_range("2020-01-01", periods=365, freq="D")
y = [np.cos(di.weekday()) + di.month % 2 + np.log(i + 1) for i, di in enumerate(date)]

df = pd.DataFrame({"ds": date, "y": y})
df.index = date

sns.lineplot(data=df)

ダミーの時系列データを作成の図

3. Prophetでモデル学習 #

1
2

m = Prophet(yearly_seasonality=False, daily_seasonality=True)
m.fit(df)

出力例（一部省略）：

Optimization terminated normally: 
  Convergence detected: relative gradient magnitude is below tolerance

4. 未来データを作成して予測 #

1
2
3
4
5

# 90日先まで予測
future = m.make_future_dataframe(periods=90)
forecast = m.predict(future)

fig1 = m.plot(forecast)

未来データを作成して予測の図

5. Prophetのポイント #

  • 季節性の自動モデリング
    （例：日ごと・週ごと・年ごとの周期性）
  • トレンド変化点の自動検出
    （急な上昇や下降に対応可能）
  • 拡張性：休日効果などカスタム要素を追加できる。

まとめ #

  • Prophetは「簡単に」「柔軟に」使える時系列予測ツール。
  • データフレームを渡すだけで未来予測が可能。
  • 季節性・トレンドのあるデータに強い。
  • 実務でも「売上・需要・アクセス数」などの予測にすぐ応用できる。