乘积季节模型
默认情况下，Prophet采用加法季节性拟合，就是说季节性效应被添加到趋势中以进行预测。但下面这个描述乘客数量的时序例子，则不适合使用加法季节性算法：
# Python
df = pd.read_csv('https://raw.githubusercontent.com/facebook/prophet/main/examples/example_air_passengers.csv')
m = Prophet()
m.fit(df)
future = m.make_future_dataframe(50, freq='MS')
forecast = m.predict(future)
fig = m.plot(forecast)
这个时间序列具有明显的年度周期，但预测中的季节性在时间序列的开始处过大，在末尾处过小。在这个时间序列中，季节性不是Prophet所假设的恒定加法因子，而是随着趋势增长而增长的乘法季节性。
Prophet可以通过在输入参数中设置seasonality_mode='multiplicative'来建模乘法季节性：
# Python
m = Prophet(seasonality_mode='multiplicative')
m.fit(df)
forecast = m.predict(future)
fig = m.plot(forecast)
在设置seasonality_mode='multiplicative'后，组件图将以季节性作为趋势的百分比来展示：
# Python
fig = m.plot_components(forecast)
使用seasonality_mode='multiplicative'时，假日效应也将被建模为乘法效应。任何添加的季节性或额外的回归变量默认情况下将使用设置的seasonality_mode，但可以通过在添加季节性或回归变量时指定mode='additive'或mode='multiplicative'来覆盖。
例如，以下代码块将内置的季节性设置为乘法季节性，但同时包括一个加法季度季节性和一个加法回归变量：
# Python
m = Prophet(seasonality_mode='multiplicative')
m.add_seasonality('quarterly', period=91.25, fourier_order=8, mode='additive')
m.add_regressor('regressor', mode='additive')
在组件图中，加法和乘法的额外回归变量将分别显示在不同的面板中。然而，请注意，同时存在加法和乘法季节性的情况非常罕见，因此通常只有在有理由预期存在这种情况时才会使用这种组合。