df <- read.csv("C:\\Users\\LOPEZANW\\OneDrive - Novartis Pharma AG\\01 daily work\\Rprojects\\Prophet\\prophet-master\\examples\\example_wp_log_peyton_manning.csv")
#el modelo se ajusta con la función prophet
model <- prophet(df)
#con make_future_dataframe hacemos un dataframe con las fechas de los futuros periodos según la variable periods
future <- make_future_dataframe(model, periods = 365)
tail(future)
## ds
## 3265 2017-01-14
## 3266 2017-01-15
## 3267 2017-01-16
## 3268 2017-01-17
## 3269 2017-01-18
## 3270 2017-01-19
#usamos predict para predecir los valores futuros según el modelo generado
forecast <- predict(model, future)
tail(forecast[c('ds', 'yhat', 'yhat_lower', 'yhat_upper')]) #la variable yhat es la predicción
## ds yhat yhat_lower yhat_upper
## 3265 2017-01-14 7.826425 7.122759 8.602923
## 3266 2017-01-15 8.208221 7.516553 8.967545
## 3267 2017-01-16 8.533268 7.870385 9.256455
## 3268 2017-01-17 8.320692 7.597876 9.014430
## 3269 2017-01-18 8.153320 7.423614 8.916835
## 3270 2017-01-19 8.165269 7.432913 8.890870
#hacemos un gráfico con la función generica plot
plot(model, forecast)
#también podemos usar toda la capacidad de ggplot2, añadimos una recta de regresión para ver una estimaciónd de la tendencia
ggplot(forecast,aes(x=ds,y=yhat)) + geom_line() + geom_smooth()
#podemos usar la función prophet_plot_components para ver un gráfico de la tendencia, estacionalidad semanal y estacionalidad anual
prophet_plot_components(model, forecast)
#podemos usar la función dyplot.prophet para hacer un grafico interactivo para escoger la escala temporal
dyplot.prophet(model, forecast)