1. 为什么 Prophet 在业务里常用

Prophet 的优势是结构直观：趋势 + 季节 + 节假日。
它非常适合快速搭建可解释基线，并让非算法团队也能理解预测来源。

2. Prophet 形式

$$ y(t)=g(t)+s(t)+h(t)+\epsilon_t $$

其中：

1. $g(t)$：分段线性或逻辑增长趋势。
2. $s(t)$：傅里叶季节项。
3. $h(t)$：节假日/事件效应。

3. Python 示例

from prophet import Prophet

dfp = df.rename(columns={"ds": "ds", "y": "y"})

m = Prophet(
    yearly_seasonality=True,
    weekly_seasonality=True,
    changepoint_prior_scale=0.1,
)

m.add_country_holidays(country_name="CN")
m.fit(dfp)

future = m.make_future_dataframe(periods=30)
fcst = m.predict(future)
print(fcst[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail())

4. 层级预测为什么难

企业常有多层口径：商品 -> 品类 -> 大区 -> 全国。
逐层独立预测会产生“不加总一致”问题（子层之和不等于父层预测）。

5. 一致性修正思路

1. Bottom-up：先预测子层，再向上汇总。
2. Top-down：先预测总量，再分摊到子层。
3. MinT：基于误差协方差做最优一致性投影。

6. 实务建议

1. Prophet 作为冷启动与可解释基线非常有效。
2. 对重要层级做一致性约束，避免报表冲突。
3. 重大事件期（大促、政策变动）应人工注入外生信息。

Prophet 解决的是“快速、稳健、可解释”的第一公里，层级一致性解决的是“组织可执行”的最后一公里。