prophet不支持在线学习，滚动预测需用滑动窗口重训模型；应限制changepoint数量与强度、按窗口长度开关季节性，并同步裁剪节假日与突变点以避免数据泄露和过拟合。
Prophet 本身不支持真正的“动态预测”——它没有在线学习或流式更新能力；每次新数据到来，必须重新拟合整个模型。想用它做滚动预测，关键在如何组织训练窗口、避免数据泄露、正确处理节假日和突变点。
如何用 Prophet 做滚动预测（retrain-on-new-data）
所谓“动态”，实际是定期用最新数据重训模型。不能把全部历史喂给每次训练，否则计算开销大、对旧异常敏感、且违背时序预测的现实约束（比如只能用 T−n 到 T 的数据预测 T+1）。
- 固定滑动窗口：只保留最近 90 天或 180 天数据，每次新增一天就丢掉最老一天，调用
model.fit(df)重训 - 避免未来信息泄露：确保训练集
ds列最大值严格小于预测起始时间；df['ds']必须是datetime64[ns]类型，否则Prophet会静默失败 - 节假日和突变点需随窗口同步裁剪：若原始
holidaysDataFrame 包含 2020 年春节，而当前窗口是 2024 年数据，该节日记录应被过滤掉，否则会引入无关先验 - 示例片段：
df_window = df[df['ds'] > df['ds'].max() - pd.Timedelta('180D')] model = Prophet(yearly_seasonality=True) model.fit(df_window) future = model.make_future_dataframe(periods=7) forecast = model.predict(future)
Prophet 对趋势突变（changepoint）的敏感性与控制
默认 Prophet 在历史数据中自动选 25 个 changepoint，容易过拟合短期波动，导致滚动预测时趋势频繁反转。这不是 bug，而是设计使然——它假设长期趋势可分段线性。
- 显式限制数量：
Prophet(changepoint_range=0.8, n_changepoints=5)——changepoint_range控制候选 changepoint 覆盖历史比例（默认 0.8），n_changepoints才是实际数量 - 手动指定关键时间点更可靠：比如已知 2023-03 上线了新功能，可传入
changepoints=['2023-03-01']，比自动检测更稳定 - 降低变化强度：设
changepoint_prior_scale=0.001（默认 0.05），让模型更倾向平滑趋势；值越小，对 changepoint 位置和幅度的惩罚越重
周期性（seasonality）在滚动场景下的陷阱
Prophet 默认启用 yearly/weekly seasonality，但滚动训练时，若窗口不足一年，yearly_seasonality=True 会导致拟合失效或报错 ValueError: Found inf values in training set —— 因为傅里叶项矩阵秩亏。
- 按窗口长度开关周期项：
yearly_seasonality=len(df_window) > 365，同理 weekly 需至少 28 天才建议开启 - 自定义周期要小心频率对齐：比如业务有双周结算周期，设
add_seasonality(name='biweekly', period=14, fourier_order=3)，但若ds缺失某天，Prophet 会插值，可能扭曲相位 - 避免重复建模：如果已用
add_country_holidays('CN')，就别再手动加春节 seasonal term，否则造成共线性，fit过程可能收敛极慢甚至失败
真正难的是突变点和季节性的协同判断——比如疫情后消费周期偏移了 3 天，Prophet 不会自动发现这种“相位漂移”，得靠人工观察 residual 图或用 plot_components 对比多轮滚动结果。这一步没法自动化，只能靠经验卡阈值。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
