如何使用Facebook的Prophet來預測空氣質量

這篇文章將為大家詳細講解有關如何使用Facebook的Prophet來預測空氣質量，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

對于許多機器學習工程師來說，制作高質量的預測很難。它需要大量的經驗和非常具體的技能。此外，其他預測工具太不靈活，無法納入有用的假設。

出于這些原因，Facebook開源Prophet，這是Python和R中提供的預測工具。該工具允許專家和非專家以最小的努力生成高質量的預測。

在這里，將使用Prophet來幫助我們預測空氣質量！

導入并清理數據

與往常一樣，首先導入一些有用的庫：

然后導入數據集并預覽它：

你應該看到以下內容：

數據集的前五個條目

如您所見，數據集包含有關不同氣體濃度的信息。每天每小時記錄一次。您可以在此處找到所有功能的說明。

https://www.kaggle.com/sayakchakraborty/air-quality-prediction-of-relative-humidity

如果更多地瀏覽數據集，會注意到有許多值為-200的實例。當然，負面集中是沒有意義的，因此需要在建模之前清理數據。

首先，擺脫存在空值的所有實例：

之后，需要將日期列解析為日期，并將所有測量值轉換為浮點數：

然后，通過取每個測量的平均值來按天匯總數據：

此時，數據應如下所示：

還有一些需要擺脫的NaN。可以看到每列中有多少NaN：

擺脫超過8 NaN的列：

完善！現在應該按周匯總數據，因為它會給出更平滑的分析趨勢。

真棒！現在準備更多地探索數據了。

探索性數據分析（EDA）

繪制數據集的每一列：

花點時間查看每個情節并確定有趣的趨勢。為了長度只考慮NOx的濃度。

氮的氧化物是非常有害的，因為它們反應形成煙霧和酸雨，并且負責形成細顆粒和地面臭氧。這些對健康有不利影響，因此NOx的濃度是空氣質量的關鍵特征。

因此在繼續建模之前，刪除所有不相關的列：

Modelling

首先導入Prophet：

然后，Prophet要求將date列命名為ds，將要素列命名為y：

現在，數據應該是這樣的：

然后，定義一個訓練集。為此將保留最后30個用于預測和驗證的條目。

然后，簡單地初始化Prophet，使模型適合數據，并進行預測！

應該看到以下內容：

這里，yhat表示預測，而yhat_lower和yhat_upper分別表示預測的下限和上限。

Prophet允許輕松繪制預測：

得到：

NOx濃度預測

如您所見，Prophet只是使用直線向下線來預測未來的NOx濃度。

您還可以使用命令查看時間序列是否具有任何有趣的功能，例如季節性：

得到：

在這里，Prophet只發現了一個沒有季節性的下降趨勢。

現在，通過計算模型的平均絕對百分誤差（MAPE）和平均絕對誤差（MAE）來評估模型的性能：

應該看到MAPE是13.86％而MAE是109.32，這并不是那么糟糕！請記住根本沒有對模型進行微調。

最后，用它的上限和下限繪制預測：

得到：

預測每周平均NOx濃度

關于如何使用Facebook的Prophet來預測空氣質量就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。