Repolode
meta

meta/prophet

Ferramenta open source do Facebook para fazer previsões de séries temporais com múltiplas sazonalidades, mudanças de tendência e efeitos de feriados, disponível para Python e R.

Estrelas
20,474
Forks
4,644
Issues abertas
455
Último commit
há 3 dias

O que é?

Prophet é um método automático para fazer previsões com dados de séries temporais. Ele ajusta um modelo aditivo que combina tendências não lineares com sazonalidades anuais, semanais e diárias, além dos efeitos dos feriados que você especificar. Foi desenvolvido para séries com padrões sazonais fortes e vários anos de histórico.

O modelo é robusto a valores ausentes e mudanças na tendência, e costuma lidar bem com valores discrepantes. Os usuários podem adicionar sazonalidades personalizadas, regressores extras, calendários de feriados por país e limites de crescimento com saturação. As ferramentas integradas incluem validação cruzada e métricas de desempenho das previsões.

Prophet está disponível no PyPI como `prophet` e no CRAN para R. A partir da versão v1.4.0, o projeto está em modo de manutenção; portanto, só são aceitas correções de bugs e atualizações de dependências.

Recursos principais

  • 01Modela tendências com sazonalidades anuais, semanais e diárias, além de efeitos de feriados.
  • 02Oferece suporte a sazonalidades personalizadas e regressores extras.
  • 03Lida com dados ausentes e pontos de mudança na tendência.
  • 04Inclui validação cruzada e métricas de desempenho das previsões.
  • 05Disponível para Python (pip/conda) e R (CRAN).

Casos de uso

  • Prever métricas diárias de negócios, como vendas ou tráfego, com padrões semanais.
  • Projetar a demanda que aumenta em períodos de feriados ou promoções.
  • Criar previsões de referência para o planejamento de capacidade com base em vários anos de histórico.

Início rápido

  1. 1

    Instale o pacote Python pelo PyPI

    python -m pip install prophet
  2. 2

    Ou instale via conda-forge

    conda install -c conda-forge prophet

Antes de usar

  • O Prophet está em modo de manutenção desde a v1.4.0, portanto não há previsão de novos recursos.
  • O Prophet funciona melhor com séries temporais que apresentam efeitos sazonais fortes e vários ciclos sazonais de dados históricos.
  • No Linux, compilar a partir do código-fonte exige compiladores e pelo menos 4 GB de memória para instalar.

Em coleções

Tópicos

Perguntas frequentes

O que é prophet?
Ferramenta open source do Facebook para fazer previsões de séries temporais com múltiplas sazonalidades, mudanças de tendência e efeitos de feriados, disponível para Python e R. Prophet é um método automático para fazer previsões com dados de séries temporais. Ele ajusta um modelo aditivo que combina tendências não lineares com sazonalidades anuais, semanais e diárias, além dos efeitos dos feriados que você especificar. Foi desenvolvido para séries com padrões sazonais fortes e vários anos de histórico.
prophet é gratuito? Qual é a licença?
prophet é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
prophet ainda é mantido?
Manutenção ativa. O último commit de prophet foi em 5 de nov. de 2026.
Para que posso usar prophet?
Prever métricas diárias de negócios, como vendas ou tráfego, com padrões semanais. Projetar a demanda que aumenta em períodos de feriados ou promoções. Criar previsões de referência para o planejamento de capacidade com base em vários anos de histórico.
Como instalar prophet?
Instale o pacote Python pelo PyPI: python -m pip install prophet Ou instale via conda-forge: conda install -c conda-forge prophet
Onde consigo prophet?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/meta/prophet

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados

Portfólio pessoal de pacotes em Python e JavaScript para previsão online de séries temporais, estimação de covariância, construção de portfólios e otimização black-box, além de notas de pesquisa.

Dados e análise#time-series#forecasting#online-algorithms
37764Jupyter NotebookSem licençaAtualizado há 3 meses