Aries的IT部落格

店铺销售数据收到季节性和活动影响比较大，建议采用时间序列模型，推荐FACEBOOK科学团队的Prophet模型。

Prophet 使用加性回归模型将时间序列分解为以下四个部分：

$$𝑦(𝑡)=𝑔(𝑡)+𝑠(𝑡)+ℎ(𝑡)+𝜀(𝑡)$$

• $𝑔(𝑡)$ 趋势项：捕捉随时间变化的长期增长或下降（如产品的生命周期）。

• $𝑠(𝑡)$ 季节性项：处理周期性变化（如每日、每周、每年的销量波动）。

• $ℎ(𝑡)$ 节假日/事件项：融合已知的促销活动、节假日等事件影响。

• $𝜀(𝑡)$ 误差项：服从正态分布的随机噪声。

优势：通过显式分解，模型更易解释业务逻辑（如辨别趋势是自然增长还是季节性促销驱动）。

import pandas as pd
from prophet import Prophet
import matplotlib.pyplot as plt

# 读取CSV文件（需确保文件路径正确）
df = pd.read_csv('d:\\storesales2024.csv', encoding='GBK')  # 中文编码用GBK
df.columns = ['日期', '销售笔数', '销售金额']            # 重命名列

# 格式转换：仅保留日期和销售金额
df = df[['日期', '销售金额']].rename(columns={'日期':'ds', '销售金额':'y'})
df['ds'] = pd.to_datetime(df['ds'], format='%Y/%m/%d')


# 假设2025年春节为1月28日，定义影响期（节前15天至节后3天）
spring_festival = pd.DataFrame({
  'holiday': 'spring_festival',
  'ds': pd.to_datetime(['2024-2-10',     # 历史春节日期
                       '2024-1-28'   # 未来春节日期
                       ]),
  'lower_window': -15,  # 节前15天开始影响
  'upper_window': 3     # 节后3天
})

# 假设2025年元旦为1月1日，定义影响期（节前1天至节后1天）
new_year = pd.DataFrame({
    'holiday': 'new_year',
    'ds': pd.to_datetime([
        '2024-01-01',   # 历史元旦日期
        '2025-01-01'   # 未来元旦日期
    ]),
    'lower_window': -1,   # 节前1天
    'upper_window': 1     # 节后1天（共3天影响）
})

# 合并所有节假日
holidays = pd.concat([spring_festival, new_year], ignore_index=True)

model = Prophet(
  #holidays=spring_festival,        # 添加春节假期
  holidays=holidays,
  #yearly_seasonality=True,         # 年季节性
  #weekly_seasonality=True,         # 周季节性
  #seasonality_mode='multiplicative' # 乘法模型（更适应幅度变化）
  holidays_prior_scale=10,      # 控制节假日影响的灵活度（默认10，越大灵敏度越高）
  seasonality_mode='additive'   # 可选'multiplicative'（若节假日影响为乘性）
)
# 自动添加中国的法定节假日（如国庆、五一）
model.add_country_holidays(country_name='CN')
model.fit(df)

future = model.make_future_dataframe(periods=31)  # 预测到2025-01-31
forecast = model.predict(future)

# 提取春节前30天（2025-01-01至2025-01-28）
mask = (forecast['ds'] >= '2025-01-01') & (forecast['ds'] <= '2025-01-28')
spring_forecast = forecast.loc[mask]

#绘制24年至25年春节前的销售趋势图#
fig1 = model.plot(forecast)
plt.title("202501salesamountforecast")
plt.xlabel("salesdate")
plt.ylabel("salesamount(yuan)")
plt.show()

#绘制25年春节前1个月的销售趋势图#

plt.figure(figsize=(10, 6))
plt.plot(spring_forecast['ds'], spring_forecast['yhat'], label='predictedvalue')
plt.fill_between(
  spring_forecast['ds'],
  spring_forecast['yhat_lower'],
  spring_forecast['yhat_upper'],
  alpha=0.2, 
  label='confidenceinterval'
)
plt.axvline(pd.to_datetime('2025-01-28'), color='red', linestyle='--', label='springfestival')
plt.title("202501salesamountforecast")
plt.xlabel("salesdate")
plt.ylabel("salesamount(yuan)")
plt.legend()
plt.grid(True)
plt.show()

#25年春节前1个月的预测销售数据明细#
spring_forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].round(1)