Prophet¶

Snowflake ML Model Registry 支持使用 Prophet (prophet.Prophet) 创建的时间序列预测模型。

备注

目前，Prophet 模型仅可部署在 Snowflake 仓库中进行推理。Snowpark Container Services (SPCS) 中的模型服务目前不支持 Prophet 模型。

调用 options 时，可以在 log_model 字典中使用下列附加选项：


选项	描述
`target_methods`	可在模型对象上使用的方法的名称列表。默认目标方法是 `predict`。
`date_column`	输入数据中包含日期时间值的列名。若指定，此列将自动映射至 Prophet 所需的 `ds` 列。如果未指定，则数据必须包含名为 `ds` 的列。
`target_column`	输入数据中包含目标值的列名。若指定，此列将自动映射至 Prophet 所需的 `y` 列。如果未指定，则数据必须包含名为 `y` 的列。

在登记 Prophet 模型时，您必须指定 sample_input_data 或 signatures 参数，以确保注册表了解目标方法的签名。

数据格式要求¶

Prophet 模型需要特定格式的输入数据：

日期时间列（默认情况下名为 ds，或使用 date_column 选项映射自定义名称）
目标值列（默认情况下名为 y，或使用 target_column 选项映射自定义名称）
可选的附加回归变量列（如果模型训练时使用了回归变量）

若要预测未来时段，请提供一个 DataFrame，在 ds 列中包含未来日期，并在 y 列中包含 NaN 值。

示例¶

在以下示例中，reg 是 snowflake.ml.registry.Registry 的一个实例。有关创建注册表对象的信息，请参阅 Snowflake Model Registry。

基本 Prophet 模型¶

import prophet
import pandas as pd
import numpy as np

# Create sample time series data
dates = pd.date_range(start="2020-01-01", periods=365, freq="D")
values = np.linspace(100, 200, 365) + 10 * np.sin(2 * np.pi * np.arange(365) / 365.25)

training_data = pd.DataFrame({
    "ds": dates,
    "y": values
})

# Train Prophet model
model = prophet.Prophet(
    daily_seasonality=True,
    weekly_seasonality=True,
    yearly_seasonality=True,
)
model.fit(training_data)

# Create future data for forecasting
last_date = training_data["ds"].max()
future_dates = pd.date_range(start=last_date + pd.Timedelta(days=1), periods=30, freq="D")
future_data = pd.DataFrame({
    "ds": future_dates,
    "y": [float("nan")] * 30  # NaN indicates periods to forecast
})

# Log the model
model_ref = reg.log_model(
    model=model,
    model_name="my_prophet_model",
    version_name="v1",
    sample_input_data=training_data[:10],
)

# Make predictions
result_df = model_ref.run(future_data, function_name="predict")

具有自定义列名称的 Prophet 模型¶

import prophet
import pandas as pd
import numpy as np

# Create sample time series data with custom column names
dates = pd.date_range(start="2020-01-01", periods=365, freq="D")
values = np.linspace(100, 200, 365) + 10 * np.sin(2 * np.pi * np.arange(365) / 365.25)

training_data = pd.DataFrame({
    "date": dates,        # Custom date column name
    "sales": values       # Custom target column name
})

# Rename columns to Prophet format for training
prophet_training_data = training_data.rename(columns={"date": "ds", "sales": "y"})

# Train Prophet model
model = prophet.Prophet()
model.fit(prophet_training_data)

# Create future data with custom column names
last_date = training_data["date"].max()
future_dates = pd.date_range(start=last_date + pd.Timedelta(days=1), periods=30, freq="D")
future_data = pd.DataFrame({
    "date": future_dates,
    "sales": [float("nan")] * 30
})

# Log the model with column mapping options
model_ref = reg.log_model(
    model=model,
    model_name="my_prophet_model_custom_cols",
    version_name="v1",
    sample_input_data=training_data[:10],
    options={
        "date_column": "date",
        "target_column": "sales",
    },
)

# Make predictions using custom column names
result_df = model_ref.run(future_data, function_name="predict")

使用回归器的 Prophet 模型¶

import prophet
import pandas as pd
import numpy as np

# Create sample time series data with additional regressors
dates = pd.date_range(start="2020-01-01", periods=365, freq="D")
values = np.linspace(100, 200, 365) + 10 * np.sin(2 * np.pi * np.arange(365) / 365.25)

training_data = pd.DataFrame({
    "ds": dates,
    "y": values,
    "holiday": (dates.dayofweek >= 5).astype(int),  # Weekend indicator
    "temperature": 20 + 5 * np.sin(2 * np.pi * np.arange(365) / 365.25)
})

# Train Prophet model with regressors
model = prophet.Prophet()
model.add_regressor("holiday")
model.add_regressor("temperature")
model.fit(training_data)

# Create future data with regressor values
last_date = training_data["ds"].max()
future_dates = pd.date_range(start=last_date + pd.Timedelta(days=1), periods=30, freq="D")
future_data = pd.DataFrame({
    "ds": future_dates,
    "y": [float("nan")] * 30,
    "holiday": (future_dates.dayofweek >= 5).astype(int),
    "temperature": [22.0] * 30  # Predicted future temperatures
})

# Log the model
model_ref = reg.log_model(
    model=model,
    model_name="my_prophet_model_regressors",
    version_name="v1",
    sample_input_data=training_data[:10],
)

# Make predictions
result_df = model_ref.run(future_data, function_name="predict")

预测输出¶

predict 方法会返回具有以下列的 DataFrame：

ds：选择使用时默认使用的角色和仓库。每个预测的日期时间
yhat：选择使用时默认使用的角色和仓库。预测值
yhat_lower：选择使用时默认使用的角色和仓库。预测区间下限
yhat_upper：选择使用时默认使用的角色和仓库。预测区间上限
趋势和季节性成分的附加列（例如，trend、weekly、yearly）