我在课程中遇到的一个有趣的模型是 Facebook Prophet。Prophet 的预测考虑了趋势、季节性和假期。您可能已经猜到，这是一个非常适合 Facebook 需求的模型。我将简要介绍一下，然后提供一个链接，您可以在其中阅读更多内容。Prophet 适合由几个术语表示的几个时间函数。时间序列预测的一般形式是，

$g(t)$处理我上面提到的趋势。这正是您所想的，并且解释了数据的非周期性特征。它采用分段线性或逻辑函数的形式。

$s(t)$考虑到季节性——换句话说，这些是我们时间序列的周期性变化（可能是夏季防晒霜购买量的增加）。由于这是周期性的，因此对该项建模的自然方法是使用傅里叶分解来识别信号中的重要频率。

$h(t)$处理时间序列中可预测的变化，但适用于假期等事件（这可能发生在每年不同的时间，所以这不一定是周期性的，想想复活节）。用户提供事件列表以及他们希望如何解释它。

$\epsilon_t$只是一个错误术语，用于处理模型其余部分无法解决的任何问题。

如果您想了解更多详细信息，此页面有很好的解释。我强烈建议您检查一下，因为它非常酷！