Prophet：趋势+季节+节假日效应分解

一、直观理解：把业务曲线拆成可加积木

Prophet 把一条观测序列看成几块可加（或可乘）部件之和：

y(t)=g(t)+s(t)+h(t)+\varepsilon_t

$g(t)$ ：慢变趋势（分段线性或逻辑增长）；
$s(t)$ ：周期季节（周、年等），用傅里叶项刻画；
$h(t)$ ：节假日/事件的脉冲效应；
$\varepsilon_t$ ：噪声。

对业务人员而言，这很像：“销量 = 长期增长 + 每年旺季形态 + 春节冲高 + 随机扰动”。即使不完全使用 Facebook/Meta 的 Prophet 库，同一分解思想也可以在 MATLAB 里用回归或 trenddecomp 等工具实现。

它的卖点不是理论最优，而是：对缺失值、节假日、趋势拐点比较宽容，解释性强，调参直觉好。建模竞赛里，若题目提供日历特征或明显节假日，这种分解非常加分。

二、适用场景与优缺点

类型	说明
适用场景	日/周粒度业务数据；有多个季节周期；存在已知节假日或促销事件；需要组件解释而非只给黑箱预测；序列有缺失但不想复杂插补。
核心优点	结构可解释；易加入回归因子与节假日表；对趋势变点有正则；实现预测区间较方便；与业务沟通成本低。
局限与缺点	默认可加结构可能不符；强噪声或高频金融序列未必合适；变点过多会过拟合；MATLAB 无官方 Prophet 时需自建等价回归；仍需训练期外验证。

使用前检查：

时间索引规则、时区、是否含营业日；
节假日是否“提前/延后效应”（窗口宽度）；
趋势是线性还是有饱和上界（逻辑增长）；
与 SARIMA、Holt-Winters 的基线对比。

三、核心原理

1. 趋势项 $g(t)$

分段线性趋势：

g(t)=\bigl(k+\mathbf{a}(t)^\top\boldsymbol{\delta}\bigr)t+\bigl(m+\mathbf{a}(t)^\top\boldsymbol{\gamma}\bigr)

其中 $\mathbf{a}(t)$ 标记 $t$ 是否越过变点， $k$ 为基斜率， $\boldsymbol{\delta}$ 为斜率变化。变点可自动按时间网格放置，并对 $\delta$ 做稀疏先验（类似 L1），避免处处折线。

逻辑增长趋势用于有容量上界 $C(t)$ 的场景：

g(t)=\frac{C(t)}{1+\exp\bigl(-(k+\cdots)(t-m-\cdots)\bigr)}

2. 季节项 $s(t)$

对周期 $P$ （年 $P\approx 365.25$ ，周 $P=7$ ）用傅里叶级数：

s(t)=\sum_{n=1}^{N}\left[a_n\cos\frac{2\pi nt}{P}+b_n\sin\frac{2\pi nt}{P}\right]

$N$ 控制季节曲线的灵活度：年季节常用 $N=10$ ，周季节 $N=3$ 。更大的 $N$ 更易过拟合。

3. 节假日项 $h(t)$

每个节假日 $i$ 对应指示变量（可含前后窗口）：

h(t)=\sum_{i} \kappa_i \mathbf{1}_{t\in D_i}

$\kappa_i$ 为该事件的效应幅度。相似节日可共享先验，以稳定估计。

整体上，Prophet 的估计常借助贝叶斯/正则化回归思想；在 MATLAB 中可用普通最小二乘或 fitlm 对设计矩阵回归作为工程近似。

四、与 SARIMA / 指数平滑的分工

需求	更合适的方向
短序列、强统计诊断、单位根	SARIMA
只需水平/趋势/季节三组件、要快	Holt-Winters
多节假日、业务解释、缺失多	Prophet 式分解
多个内生变量互相影响	VAR

Prophet 不是“更高级的 ARIMA”，而是结构化回归式时间模型。若残差仍有强自相关，可对残差再拟合 ARIMA（回归–ARIMA 两步法）。

五、MATLAB 示例（等价可加分解）

下列示例用分段趋势 + 傅里叶季节 + 节假日哑变量，演示与 Prophet 相同的信息结构。

%% 模拟 2 年日数据：趋势 + 周季节 + 年季节 + 节假日
rng(3);
t0 = datetime(2022,1,1);
t  = t0 + days(0:730);
n  = numel(t);
x  = days(t - t0);                 % 数值时间

trend = 100 + 0.05*x;
weekS = 5*sin(2*pi*weekday(t)/7);
yearS = 8*sin(2*pi*x/365.25) + 3*cos(4*pi*x/365.25);
holidayDates = datetime(2022,2,1) + calyears(0:1);  % 示例“春节”
isHol = ismember(t, holidayDates) | ismember(t, holidayDates+days(1));
y = trend + weekS + yearS + 12*isHol + 2*randn(n,1);

%% 训练/测试：最后 60 天
T0 = n - 60;
tr = 1:T0; te = T0+1:n;

%% 设计矩阵
% 1) 线性趋势 + 少量变点斜率增量
knots = quantile(x(tr), [0.3 0.5 0.7]);
A = zeros(n, numel(knots));
for j = 1:numel(knots)
    A(:,j) = max(0, x - knots(j));
end

% 2) 周/年傅里叶
phi = 2*pi*x;
FWweek = [cos(phi/7), sin(phi/7), cos(2*phi/7), sin(2*phi/7)];
FWyear = [cos(phi/365.25), sin(phi/365.25), ...
          cos(2*phi/365.25), sin(2*phi/365.25), ...
          cos(3*phi/365.25), sin(3*phi/365.25)];

% 3) 节假日
H = double(isHol(:));

X = [ones(n,1), x(:), A, FWweek, FWyear, H];
tbl = array2table(X, "VariableNames", ...
    ["const","time", compose("kp%d",1:numel(knots)), ...
     "cw1","sw1","cw2","sw2","cy1","sy1","cy2","sy2","cy3","sy3","hol"]);
tbl.y = y(:);

mdl = fitlm(tbl(tr,:), "y ~ . - 1");   % 已含 const
yhat = predict(mdl, tbl);

rmse = sqrt(mean((y(te) - yhat(te)).^2));
fprintf("测试 RMSE = %.3f\n", rmse);

%% 组件可视化（用系数还原）
b = mdl.Coefficients.Estimate;
g = X(:,1:2+numel(knots)) * b(1:2+numel(knots));
s = X(:,3+numel(knots):end-1) * b(3+numel(knots):end-1);
h = X(:,end) * b(end);

figure;
subplot(4,1,1); plot(t,y); hold on; plot(t,yhat,"LineWidth",1.2);
xline(t(T0),"k--"); title("观测与拟合/预测"); legend("y","fit");
subplot(4,1,2); plot(t,g); title("趋势 g(t)");
subplot(4,1,3); plot(t,s); title("季节 s(t)");
subplot(4,1,4); plot(t,h); title("节假日 h(t)");

若已安装 Python Prophet，也可在 MATLAB 中通过 py 接口调用；竞赛若不允许外部库，用上述回归分解即可写清原理与结果。

更完整的流程还应：对残差做 autocorr/lbqtest；若自相关明显，对残差 estimate(arima(...)) 再叠加。

六、如何解释结果

报告建议包含：

组件设定：趋势类型、变点个数与位置、季节周期与傅里叶阶数、节假日表；
各组件图：趋势是否在某时期变陡，季节峰谷是否符合业务；
节假日效应系数及窗口选择依据；
训练期外 RMSE/MAE，以及对比 SARIMA、Holt-Winters、季节朴素；
残差诊断：是否仍有周期泄漏；
不确定性：可用残差bootstrap或分位回归给区间，不要只给点预测。

解释时避免把傅里叶项单个系数“逐项讲故事”，应看合成后的季节曲线形态。

七、常见误区

1. 变点过多导致趋势跟着噪声走

变点网格太密、惩罚太弱，会把随机起伏当成结构变化，预测区间失真。

2. 节假日窗口乱设

只标节日当天，却忽略“节前备货/节后回落”，效应会被季节项或残差吸收。

3. 可加/可乘结构选错

波动随水平增大时，应对 $y$ 取对数或改用可乘季节。

4. 不设基线对比

若季节朴素（去年同日）已经很好，复杂分解的增量价值有限。

5. 用未来才知道的回归因子

例如把“当日是否突发新闻”当特征却无法在预测时获得，属于信息泄漏。

八、小结

Prophet 风格模型的核心是：

用可解释的趋势、季节与节假日组件拼出预测，并把业务日历信息显式写进模型。

它特别适合带日历结构的业务序列。在 MATLAB 中即使没有原生 Prophet，也可用 fitlm 构造等价设计矩阵完成分解与预测。务必坚持训练期外评价、残差检验，并与 SARIMA/指数平滑基线比较，避免“分解很好看但测不准”。

一、直观理解：把业务曲线拆成可加积木​

二、适用场景与优缺点​

三、核心原理​

1. 趋势项 g(t)g(t)g(t)​

2. 季节项 s(t)s(t)s(t)​

3. 节假日项 h(t)h(t)h(t)​

四、与 SARIMA / 指数平滑的分工​

五、MATLAB 示例（等价可加分解）​

六、如何解释结果​

七、常见误区​

1. 变点过多导致趋势跟着噪声走​

2. 节假日窗口乱设​

3. 可加/可乘结构选错​

4. 不设基线对比​

5. 用未来才知道的回归因子​

八、小结​