[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

本發明公開了一種多模型融合的預測方法及裝置，該方法包括：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。該方法能夠利用多個具有各自預測特征的預測子模型之間的配合，并能夠利用每個預測子模型的權重分別計算各自對應的需求預測值，進而精確的計算出目標預測值，使得用戶能夠根據目標預測值進行準確備貨，減少誤差帶來的損失。

技術領域

本發明涉及數據處理領域，特別涉及一種多模型融合的預測方法及裝置。

背景技術

目前在生產廠商、面向消費者的商場、物流等眾多方面需要進行物品的備件管理，使得物品的備件需求能夠滿足合理的消耗，如商家在進行備件的保修期間內需要滿足用戶對備件更換的需求，同時降低整個備件供應鏈的運營成本，這其中重要環節是對用戶在未來交貨時間內的備件需求(目標預測值)做出準確的預測，才能對備件供應鏈余下環節如采購、物流、庫存和服務等產生積極影響。但是由于對備件的消耗并不是規律的，因此目前對在對備件需求(目標預測值)進行預測時，特別是涉及到大量物品的備件需求(目標預測值)進行預測時，沒有相適配的預測方法，導致預測結果不準確，從而使用戶遭受損失。

發明內容

本發明實施例的目的在于提供一種多模型融合的預測方法及裝置，該方法能夠利用多個具有各自預測特征的預測子模型之間的配合，將精確的計算出目標預測值，使得用戶能夠根據目標預測值進行準確備貨，減少誤差帶來的損失。

為了解決上述技術問題，本發明的實施例采用了如下技術方案：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。

作為優選，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。

作為優選，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。

作為優選，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。

作為優選，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；