Hướng dẫn dự báo chuỗi thời gian quy mô lớn bằng Facebook Prophet và Python

Tổng quan về Facebook Prophet 📊

Facebook Prophet là một thuật toán dự báo chuỗi thời gian được phát triển bởi đội ngũ Core Data Science của Meta. Thuật toán này dựa trên một mô hình cộng tính (additive model), trong đó các xu hướng phi tuyến tính được khớp với các thành phần theo mùa theo ngày, tuần, năm và các hiệu ứng ngày lễ.

Những ưu điểm vượt trội của Prophet bao gồm:

Khả năng tự động hóa cao: Giúp người dùng ít kinh nghiệm thống kê sâu vẫn có thể tạo ra các dự báo chất lượng tốt.
Xử lý dữ liệu khuyết thiếu: Hoạt động ổn định ngay cả khi dữ liệu có khoảng trống hoặc ngoại lai lớn.
Tích hợp lịch nghỉ lễ: Cho phép mô hình tự động nhận diện ảnh hưởng từ các dịp lễ lớn đối với hành vi người dùng hoặc doanh thu.

Cài đặt thư viện và chuẩn bị dữ liệu 🛠️

Trước khi bắt tay vào xây dựng mô hình, bạn cần cài đặt thư viện prophet thông qua trình quản lý gói pip. Sau đó, chuẩn bị một cấu trúc bảng dữ liệu gồm hai cột bắt buộc: cột thời gian được đặt tên chuẩn là ds (datestamp) và cột giá trị mục tiêu là y.

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

# Tạo dữ liệu mẫu giả lập cho doanh thu hàng ngày
np_dates = pd.date_range(start="2024-01-01", periods=150, freq="D")
base_values = np.linspace(200, 500, 150) + np.sin(np.linspace(0, 25, 150)) * 30

# Chuẩn bị DataFrame theo đúng định dạng yêu cầu của Prophet (cột 'ds' và 'y')
raw_data = pd.DataFrame({
    "ds": np_dates,
    "y": base_values
})

Xây dựng và huấn luyện mô hình Prophet 📈

Sau khi đã có định dạng dữ liệu chuẩn ds và y, quá trình khởi tạo, huấn luyện mô hình và tạo khung thời gian dự báo tương lai diễn ra cực kỳ nhanh chóng.

# Khởi tạo mô hình Prophet với các tùy chọn cơ bản
# weekly_seasonality và yearly_seasonality giúp bật tính mùa vụ theo tuần và năm
forecasting_model = Prophet(
    weekly_seasonality=True,
    yearly_seasonality=True,
    daily_seasonality=False
)

# Huấn luyện mô hình dựa trên tập dữ liệu lịch sử
forecasting_model.fit(raw_data)

# Tạo một dataframe chứa các mốc thời gian tương lai cần dự báo (ví dụ: 30 ngày tiếp theo)
future_dataframe = forecasting_model.make_future_dataframe(periods=30)

# Thực hiện dự báo chuỗi thời gian cho tương lai
forecast_results = forecasting_model.predict(future_dataframe)

# Hiển thị các giá trị dự báo chính (cột 'yhat', 'yhat_lower', 'yhat_upper')
print(forecast_results[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail(10))

Trực quan hóa kết quả dự báo 📉

Một điểm cộng lớn của Facebook Prophet là khả năng tích hợp sẵn các công cụ trực quan hóa trực quan bằng matplotlib, giúp bạn dễ dàng vẽ biểu đồ thể hiện xu hướng tổng thể và các thành phần mùa vụ chi tiết.

# Vẽ biểu đồ tổng quan kết quả dự báo (bao gồm khoảng tin cậy)
fig_forecast = forecasting_model.plot(forecast_results)

# Vẽ biểu đồ bóc tách các thành phần (xu hướng, mùa vụ theo tuần/tháng)
fig_components = forecasting_model.plot_components(forecast_results)

Đánh giá ưu thế của Prophet trong thực tiễn ⚖️

Việc ứng dụng Prophet mang lại hiệu quả vượt trội trong các bài toán thực tế nhờ vào tính linh hoạt và khả năng xử lý các điểm bất thường. So với các mô hình kinh điển như ARIMA hay SARIMA, Prophet ít yêu cầu người dùng phải thực hiện các bước kiểm định tính dừng phức tạp, tiết kiệm rất nhiều thời gian tối ưu hóa tham số (p, d, q). Đây thực sự là công cụ đắc lực cho các nhà phát triển và chuyên gia khoa học dữ liệu khi cần giải quyết nhanh các bài toán dự báo quy mô lớn.

Bài tập thực hành nâng cao với Prophet 🏋️

Bài tập 1: Thêm sự kiện ngày lễ tùy chỉnh (Custom Holidays) vào mô hình

Mô tả: Giả định tập dữ liệu doanh thu của doanh nghiệp chịu ảnh hưởng mạnh bởi các đợt siêu sale hoặc các ngày lễ lớn tại Việt Nam (như Tết Nguyên Đán, 11/11, 12/12) mà lịch mặc định của quốc gia chưa phản ánh đầy đủ.
Yêu cầu: Tạo một DataFrame chứa danh sách các ngày lễ tùy chỉnh với các cột holiday và ds, sau đó sử dụng phương thức add_holidays() trong Facebook Prophet để huấn luyện lại mô hình và kiểm chứng độ lệch của kết quả dự báo.

Bài tập 2: Tinh chỉnh tham số changepoint_prior_scale để kiểm soát xu hướng

Mô tả: Khi biểu đồ xu hướng của dữ liệu biến động quá mạnh hoặc quá phẳng, cấu hình mặc định của mô hình có thể chưa tối ưu.
Yêu cầu: Thử nghiệm thay đổi giá trị tham số changepoint_prior_scale (ví dụ: thử các mức 0.001, 0.05 và 0.5) khi khởi tạo đối tượng Prophet. Quan sát cách mà các mức độ linh hoạt này tác động trực tiếp đến đường xu hướng (trend) trên biểu đồ dự báo tổng quan.