[發明專利]一種多模型融合的預測方法及裝置

在審

• 申請號: 201810264458.6
• 申請日: 2018-03-28
• 公開（公告）號: CN108492141A
• 公開（公告）日: 2018-09-04
• 發明（設計）人: 歐陽文理;張亞紅;李海生;劉德國;徐麗霜
• 申請（專利權）人: 聯想（北京）有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q10/08;G06F17/30
• 代理公司: 北京金信知識產權代理有限公司 11225
• 代理人: 黃威;佛新瑜

1.一種多模型融合的預測方法，包括：

獲取歷史備件需求數據中的異常點，并使用預設的第一處理方式對所述異常點進行數據替換；

利用具有不同預測特性的多個預測子模型，對進行了異常值替換的所述歷史備件需求數據進行訓練，使所述預測子模型生成各自的具有權重的需求預測值；

根據多個所述需求預測值及其相對應的權重，計算備件需求的目標預測值。

2.根據權利要求1所述的方法，所述的獲取歷史備件需求數據中的異常點包括：

將所述歷史備件需求數據的時間序列曲線與保量數據的時間序列曲線進行相似度判斷，以獲取所述時間序列曲線中的趨勢數據；

根據所述趨勢數據對所述歷史備件需求數據中的部分數據進行顯著性假設檢驗，以獲取所述歷史備件需求數據中的異常值。

3.根據權利要求2所述的方法，所述的將所述歷史備件需求數據的時間序列曲線與保量數據的時間序列曲線進行相似度判斷，以獲取所述時間序列曲線中的趨勢數據包括：

當所述歷史備件需求數據的時間序列曲線與保量數據的時間序列曲線的相似度符合預設范圍則選取所述保量數據作為趨勢數據，否則對所述歷史備件需求數據進行時間序列分解以生成所述趨勢數據。

4.根據權利要求2所述的方法，所述的根據所述趨勢數據對所述歷史備件需求數據中的部分數據進行顯著性假設檢驗，以獲取所述歷史備件需求數據中的異常值包括：

去除所述歷史備件需求數據中的所述趨勢數據和周期數據，并對剩余數據進行t檢驗，查詢所述剩余數據中的異常時間點，以根據所述異常時間點生成所述異常值。

5.根據權利要求1所述的方法，所述的利用具有不同預測特性的多個預測子模型，對進行了異常值替換的所述歷史備件需求數據進行訓練，使所述預測子模型生成各自的具有權重的需求預測值包括：

將進行了異常值替換的所述歷史備件需求數據分別輸入到多個所述預測子模型中，并分別進行迭代計算，生成多個相對應的所述需求預測值；

將所述需求預測值和所述歷史備件需求數據的實際值作為所述多模型融合的訓練數據進行訓練，以生成所述預測子模型各自的權重。

6.根據權利要求1所述的方法，所述的根據多個所述需求預測值及其相對應的權重，計算備件需求的目標預測值包括：

根據所述預測子模型在預定時間范圍內生成的所述需求預測值的權重，計算所述目標預測值，其中，所述權重隨所述預測子模型計算對應的需求預測值時與當前時間間隔的增大而降低。

7.一種多模型融合的預測裝置，包括獲取模塊、訓練模塊和計算模塊，

所述獲取模塊配置為獲取歷史備件需求數據中的異常點，并使用預設的第一處理方式對所述異常點進行數據替換；

所述訓練模塊配置為利用具有不同預測特性的多個預測子模型，對進行了異常值替換的所述歷史備件需求數據進行訓練，使所述預測子模型生成各自的具有權重的需求預測值；

所述計算模塊配置為根據多個所述需求預測值及其相對應的權重，計算備件需求的目標預測值。

8.根據權利要求7所述的裝置，所述獲取模塊進一步配置為

將所述歷史備件需求數據的時間序列曲線與保量數據的時間序列曲線進行相似度判斷，以獲取所述時間序列曲線中的趨勢數據；

根據所述趨勢數據對所述歷史備件需求數據中的部分數據進行顯著性假設檢驗，以獲取所述歷史備件需求數據中的異常值。

9.根據權利要求8所述的裝置，所述獲取模塊進一步配置為：

當所述歷史備件需求數據的時間序列曲線與保量數據的時間序列曲線的相似度符合預設范圍則選取所述保量數據作為趨勢數據，否則對所述歷史備件需求數據進行時間序列分解以生成所述趨勢數據。

10.根據權利要求7所述的裝置，所述訓練模塊進一步配置為：

將進行了異常值替換的所述歷史備件需求數據分別輸入到多個所述預測子模型中，并分別進行迭代計算，生成多個相對應的所述需求預測值；

將所述需求預測值和所述歷史備件需求數據的實際值作為所述多模型融合的訓練數據進行訓練，以生成所述預測子模型各自的權重。