如何使用每日数据在CausalImpact中指定年度季节性？

Question

我正在使用Google的CausalImpact软件包的Python实现。我的数据是每天一次（每年365次观察）；但是，要检查干预的效果，我的前期约5个月，而我的后期约5个月。我的全面数据（大约3年以上）清楚地显示了每年的季节性。该软件包的当前文档（包括经过同行评审的论文）并没有太多定义模型消耗量的年度季节性的方式。如何为年度季节性设置模型？

根据对这个变量的理解，我尝试将nseasons参数设置为52。这导致前53个数据点被遗漏了模型（当我尝试将365用于nseasons时，情况类似，但是由于没有> 365个数据点而引发了错误）。

dated_data = df

pre_period = ['2018-01-01', '2018-06-05']   # Prior to known event

post_period = ['2018-06-06', '2019-11-25']  # After first, before second event

ci = CausalImpact(dated_data, pre_period, post_period,
                   prior_level_sd=None,
                   niter=1000, nseasons=[{'period': ???}],
                   seasonal_duration=???)'

我希望结果将是一个包含年度季节性的模型，如预测值所示，而不会丢失太多数据点。