Prophet

Kurzbeschriebung

Prophet ist ein additives Zeitreihen-Vorhersagemodell, das speziell für geschäfts- und operationsnahe Daten mit starken Saisonalitäten, Feiertagseffekten und Trendbrüchen entwickelt wurde. Ein Kernmerkmal ist die automatische Changepoint-Erkennung: Prophet erlaubt, dass sich der Trend an datengetrieben erkannten Zeitpunkten ändert (z. B. Politikwechsel, Systemumstellungen). Die Regularisierung steuert, wie flexibel diese Änderungen sind. Saisonalitäten (jährlich, wöchentlich, täglich) sind standardmäßig enthalten und lassen sich leicht erweitern. Unter der Haube wird Prophet als Bayessches Zustandsraum-/Regressionsmodell formuliert (mit MAP-Schätzung), was robuste Vorhersageintervalle ermöglicht. Die Stärke liegt weniger in theoretischer Eleganz als in Robustheit, Skalierbarkeit und schneller Anwendung mit minimalem Feature-Engineering.

Das Modell zerlegt eine Zeitreihe in interpretierbare Komponenten:

$y(t)=g(t)+s(t)+h(t)+{\epsilon }_t$

wobei $g(t)$ den Trend (stückweise linear oder logistisches Wachstum), $s(t)$ Saisonalität (Fourier-Reihen), $h(t)$ Feiertage/Ereignisse und ${\epsilon }_t$ den Fehler beschreibt.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen wird Prophet häufig für kurz- bis mittelfristige operative Prognosen eingesetzt: Meldezahlen, Krankenhausaufnahmen, Notfallbesuche, Ressourcenbedarf oder saisonale Erkrankungen. Die einfache Integration von Feiertagen und Kalendereffekten ist besonders praktisch für Versorgungsdaten.

In Public Health dient Prophet oft als Baseline- oder Ensemble-Komponente (z. B. neben ARIMA, ETS, ML-Modellen). Er ist nicht kausal; Interventionen können als Ereignisse modelliert werden, liefern aber keine kausale Identifikation. Seine Stärke ist die verlässliche, schnell verfügbare Prognose samt Unsicherheitsband.

Sonstiges

Sehr benutzerfreundlich

Nicht kausal

Semantik

Wikidata-Identifikator ist: Q109653244

Deutsche Wikipediaseite ist: Prophet_(Zeitreihenanalyse)

Englische Wikipediaseite ist: Prophet_(time_series)

Quelle: Taylor & Letham (2018)

Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit

Für die Methode benötigte Datenmenge ist klein;mittel„Klein;mittel“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.

Zweck der Methode ist Vorhersage„Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Statistisch;Bayessch;Hybrid;Operationale Vorhersage„Statistisch;Bayessch;Hybrid;Operationale Vorhersage“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist gut

Webseite: https://facebook.github.io/prophet/