核心要点
加性分解：( y(t)=g(t)+s(t)+h(t)+\varepsilon_t )，趋势+季节+节假日+噪声。
趋势 g(t)：分段线性或逻辑增长（带容量上限），用变点自动捕捉斜率变化。
季节 s(t)：傅里叶级数拟合年/周/日多重周期，阶数控制平滑度。
节假日 h(t)：显式列出节假日及前后窗口，作为额外回归项。
标准回答
模型结构
Prophet 把预测视为一个可解释的加性（或乘性）分解：
\( y(t) = g(t) + s(t) + h(t) + \varepsilon_t \)
- 趋势 g(t)：默认分段线性，自动检测「变点」处斜率突变；对有饱和上限的场景（如用户渗透率）改用逻辑增长曲线。
- 季节 s(t)：用傅里叶级数（正余弦项之和）逼近周期模式，可同时建模年、周、日多重季节性，傅里叶阶数越高越能拟合尖锐周期但越易过拟合。
- 节假日 h(t)：用户提供节假日表，每个节日及其前后窗口作为指示变量加入回归。
优点
把曲线拟合当作贝叶斯回归问题求解，易用、参数可解释、对缺失值和异常值鲁棒，且支持加入额外回归量。适合有强季节和节假日的业务指标，但对非线性复杂依赖、高频数据不如深度模型。
常见误区
⚠️ 常见踩坑
Prophet 不是「自动调好的万能模型」——默认参数对无明显季节/趋势的序列可能不如 ARIMA，且对突变响应有滞后。
追问
追问 1：加性季节和乘性季节怎么选？
若季节波动幅度随趋势水平放大（如销量越高、节日波峰越大），用乘性 seasonality_mode='multiplicative'；若波动幅度恒定，用默认加性。看历史数据季节振幅是否随基线增长即可判断。
追问 2：Prophet 相比 ARIMA 的主要差异？
Prophet 是曲线拟合/回归视角，显式分解趋势季节节假日、可解释、抗缺失抗异常、无需平稳化；ARIMA 是自相关视角、需平稳化和人工定阶。Prophet 易用但对短期自相关建模弱于 ARIMA。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。