Prophet neu gedacht: PyMC-Implementierung eröffnet vielfältige Bayesian-Methoden

Seit seiner Einführung hat Facebook Prophet sowohl klassische Statistikexperten als auch die Bayesian-Community begeistert. Das Modell bietet standardmäßig zwei Inferenzmethoden: die Maximum-a-Posteriori-Schätzung mit L-BFGS-B und die Markov-Chain-Monte-Carlo-Sampling‑Methode No‑U‑Turn Sampler (NUTS).

Bei der Anwendung von Prophet auf verschiedene Zeitreihenprognoseaufgaben stießen die Autoren auf Einschränkungen. Die vorgegebenen Inferenzoptionen lassen keine alternativen Verfahren zu, und die fließende API von Prophet ist nicht flexibel genug, um eigene Modellideen umzusetzen. Diese Mängel motivierten die Entwicklung einer vollständigen Reimplementierung des Modells in PyMC.

Die neue PyMC‑Version ermöglicht es, das Basismodell zu erweitern und mehrere Bayesian‑Inference‑Techniken gleichzeitig zu evaluieren und zu vergleichen. In der Studie wurden klassische MCMC‑Methoden, MAP‑Schätzung und Variational‑Inference‑Ansätze auf ein Zeitreihenprognoseproblem angewendet. Dabei wurden Sampling‑Strategien, Konvergenzdiagnostik, Prognosemetriken sowie die Rechenleistung detailliert analysiert.

Die Ergebnisse zeigen, dass die PyMC‑Implementierung nicht nur die Flexibilität erhöht, sondern auch wertvolle Einblicke in die Effizienz und mögliche Probleme der einzelnen Verfahren liefert. Die Autoren planen, die Untersuchung zu vertiefen und weitere Optimierungen sowie zusätzliche Inferenzmethoden zu integrieren.