CN108492141A - 一种多模型融合的预测方法及装置 - Google Patents

Abstract

本发明公开了一种多模型融合的预测方法及装置，该方法包括：获取历史备件需求数据中的异常点，并使用预设的第一处理方式对所述异常点进行数据替换；利用具有不同预测特性的多个预测子模型，对进行了异常值替换的所述历史备件需求数据进行训练，使所述预测子模型生成各自的具有权重的需求预测值；根据多个所述需求预测值及其相对应的权重，计算备件需求的目标预测值。该方法能够利用多个具有各自预测特征的预测子模型之间的配合，并能够利用每个预测子模型的权重分别计算各自对应的需求预测值，进而精确的计算出目标预测值，使得用户能够根据目标预测值进行准确备货，减少误差带来的损失。

Description

一种多模型融合的预测方法及装置

技术领域

本发明涉及数据处理领域，特别涉及一种多模型融合的预测方法及装置。

背景技术

目前在生产厂商、面向消费者的商场、物流等众多方面需要进行物品的备件管理，使得物品的备件需求能够满足合理的消耗，如商家在进行备件的保修期间内需要满足用户对备件更换的需求，同时降低整个备件供应链的运营成本，这其中重要环节是对用户在未来交货时间内的备件需求(目标预测值)做出准确的预测，才能对备件供应链余下环节如采购、物流、库存和服务等产生积极影响。但是由于对备件的消耗并不是规律的，因此目前对在对备件需求(目标预测值)进行预测时，特别是涉及到大量物品的备件需求(目标预测值)进行预测时，没有相适配的预测方法，导致预测结果不准确，从而使用户遭受损失。

发明内容

本发明实施例的目的在于提供一种多模型融合的预测方法及装置，该方法能够利用多个具有各自预测特征的预测子模型之间的配合，将精确的计算出目标预测值，使得用户能够根据目标预测值进行准确备货，减少误差带来的损失。

为了解决上述技术问题，本发明的实施例采用了如下技术方案：一种多模型融合的预测方法，包括：

获取历史备件需求数据中的异常点，并使用预设的第一处理方式对所述异常点进行数据替换；

利用具有不同预测特性的多个预测子模型，对进行了异常值替换的所述历史备件需求数据进行训练，使所述预测子模型生成各自的具有权重的需求预测值；

根据多个所述需求预测值及其相对应的权重，计算备件需求的目标预测值。

作为优选，所述的获取历史备件需求数据中的异常点包括：

将所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，以获取所述时间序列曲线中的趋势数据；

根据所述趋势数据对所述历史备件需求数据中的部分数据进行显著性假设检验，以获取所述历史备件需求数据中的异常值。

作为优选，所述的将所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，以获取所述时间序列曲线中的趋势数据包括：

当所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线的相似度符合预设范围则选取所述保量数据作为趋势数据，否则对所述历史备件需求数据进行时间序列分解以生成所述趋势数据。

作为优选，所述的根据所述趋势数据对所述历史备件需求数据中的部分数据进行显著性假设检验，以获取所述历史备件需求数据中的异常值包括：

去除所述历史备件需求数据中的所述趋势数据和周期数据，并对剩余数据进行t检验，查询所述剩余数据中的异常时间点，以根据所述异常时间点生成所述异常值。

作为优选，所述的利用具有不同预测特性的多个预测子模型，对进行了异常值替换的所述历史备件需求数据进行训练，使所述预测子模型生成各自的具有权重的需求预测值包括：

将进行了异常值替换的所述历史备件需求数据分别输入到多个所述预测子模型中，并分别进行迭代计算，生成多个相对应的所述需求预测值；

将所述需求预测值和所述历史备件需求数据的实际值作为所述多模型融合的训练数据进行训练，以生成所述预测子模型各自的权重。

作为优选，所述的根据多个所述需求预测值及其相对应的权重，计算备件需求的目标预测值包括：

根据所述预测子模型在预定时间范围内生成的所述需求预测值的权重，计算所述目标预测值，其中，所述权重随所述预测子模型计算对应的需求预测值时与当前时间间隔的增大而降低。

本申请实施例还提供了一种多模型融合的预测装置，包括获取模块、训练模块和计算模块，

所述获取模块配置为获取历史备件需求数据中的异常点，并使用预设的第一处理方式对所述异常点进行数据替换；

所述训练模块配置为利用具有不同预测特性的多个预测子模型，对进行了异常值替换的所述历史备件需求数据进行训练，使所述预测子模型生成各自的具有权重的需求预测值；

所述计算模块配置为根据多个所述需求预测值及其相对应的权重，计算备件需求的目标预测值。

作为优选，所述获取模块进一步配置为

将所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，以获取所述时间序列曲线中的趋势数据；

根据所述趋势数据对所述历史备件需求数据中的部分数据进行显著性假设检验，以获取所述历史备件需求数据中的异常值。

作为优选，所述获取模块进一步配置为：

当所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线的相似度符合预设范围则选取所述保量数据作为趋势数据，否则对所述历史备件需求数据进行时间序列分解以生成所述趋势数据。

作为优选，所述训练模块进一步配置为：

将进行了异常值替换的所述历史备件需求数据分别输入到多个所述预测子模型中，并分别进行迭代计算，生成多个相对应的所述需求预测值；

将所述需求预测值和所述历史备件需求数据的实际值作为所述多模型融合的训练数据进行训练，以生成所述预测子模型各自的权重。

本发明实施例的有益效果在于：该方法能够利用多个具有各自预测特征的预测子模型之间的配合，并能够利用每个预测子模型的权重分别计算各自对应的需求预测值，进而精确的计算出目标预测值，使得用户能够根据目标预测值进行准确备货，减少误差带来的损失。

附图说明

图1为本申请实施例的多模型融合的预测方法的流程图；

图2为本申请实施例的图1中步骤S1的流程图；

图3为本申请实施例的图1中步骤S2的流程图；

图4为本申请实施例的多模型融合的预测方法的一个具体实施例的流程图。

具体实施方式

此处参考附图描述本发明的各种方案以及特征。

应理解的是，可以对此处发明的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本发明的范围和精神内的其他修改。

包含在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且与上面给出的对本发明的大致描述以及下面给出的对实施例的详细描述一起用于解释本发明的原理。

通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。

还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。

当结合附图时，鉴于以下详细说明，本发明的上述和其他方面、特征和优势将变得更为显而易见。

此后参照附图描述本发明的具体实施例；然而，应当理解，所发明的实施例仅仅是本发明的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本发明模糊不清。因此，本文所发明的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本发明。

本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本发明的相同或不同实施例中的一个或多个。

本发明实施例的一种多模型融合的预测方法，该方法可以应用在多种物品的消耗和补充相关联的预测领域，如可以应用在商家在进行备件的保修期间内满足用户对备件更换的需求的相关领域，使得备件需求能够满足合理的消耗且能够减少误差带来的损失，如图1所示，该方法包括以下步骤：

S1，获取历史备件需求数据中的异常点，并使用预设的第一处理方式对异常点进行数据替换。历史备件需求数据为已经产生的历史范围内的与备件需求相关的多种数据，当然也可以具有多种属性，如时间属性、数量属性，对历史备件需求数据进行分析意味着对存储的历史数据进行了相应的分析。历史备件需求数据也可以以多种数据形式表现，例如数据块的形式、表的形式或者线性图像的形式。例如，以二维线性图像表示时，具有横向的时间数据，纵向的剩余数量、趋势(时间序列)、周期、总体数据等。而历史备件需求数据中的异常点可以被看作历史备件需求数据中的异常值，如异常高值、异常低值、飞点或其他不可靠数据等。在对异常点进行数据替换时可以使用预设的第一处理方式，在一个实施例中第一处理方式可以是对历史备件需求数据中的异常时间点的数据使用卡尔曼滤波进行替换，把异常时间点的需求数据更改为在这个时间点上估算的正常值。

S2，利用具有不同预测特性的多个预测子模型，对进行了异常值替换的历史备件需求数据进行训练，使预测子模型生成各自的具有权重的需求预测值。预测子模型的种类可以根据实际的预测使用环境或预测目标等因素来预先设定，结合图4，例如预测子模型可以为备件保量预测模型、时间序列分解(STL分解法)结合ARIMA模型、时间序列分解结合ets时间序列预测模型，前馈神经网络模型等。利用上述的预测子模型对进行了异常值替换的所述历史备件需求数据进行训练，使得预测子模型更加适用于对历史备件需求数据进行处理，提高其预测准确度，并且生成各个预测子模型对应的需求预测值，如第一预测子模型生成第一需求预测值，第二预测子模型生成第二需求预测值等等。每个预测子模型生成的需求预测值具有各自的权重，也可以认为每个预测子模型对应有各自的权重，预测较为精准的预测子模型权重较高。在一个实施例中，上述权重的计算可以使用含有加权和约束的线性回归，将多个预测子模型对应的需求预测值作为自变量，实际值作为因变量，约束限定每个预测子模型的权重大于等于0并且多个权重的和为1，在利用数学公式计算时，权重对应的目标函数是残差的平方，权重在当前时间点值最高，离当前时间点越远而值越小，并呈指数式衰减，利用公式表达可以为：

w_(i)＝decay^(N-i)

其中，J(α,β)为目标函数，α和β_j为所需求解参数，Pred为子模型输出的预测值，True为真实值，i代表预测的第i个时间点，N为预测的长度，j代表第j个子模型，P为子模型的个数，β_j表示第j个子模型的权重，限制条件为权重必须大于哦，并且和为1，decay为衰减系数。

S3，根据多个需求预测值及其相对应的权重，计算备件需求的目标预测值。需求预测值相对应的权重代表了每个预测子模型在多模型融合的预测方法中对目标预测值进行预测时所代表的比重。在一个实施例中，具体计算时可以将每个预测子模型的需求预测值与各自的权重相乘生成相应的需求预测中间数据，将多个需求预测中间数据相加后生成目标预测值。由于该目标预测值为多个预测子模型共同作用的结果，而且充分考虑了每个预测子模型的权重，因此该目标预测值极为精准，可以使用户对在未来交货时间内的备件要求做出准确的预测。此外需要说明的是，随着时间的推移，历史备件需求数据和保量数据等与物品相关的数据是处于动态的变化中，例如新数据的加入导致历史备件需求数据的增加，本申请的预测方法能够在存储的相关数据的动态变化的过程中来计算目标预测值，即针对新的数据能够进行新的运算。

在本发明的一个实施例中，如图2所示，所述的获取历史备件需求数据中的异常点的步骤包括以下步骤：

S11，将历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，以获取时间序列曲线中的趋势数据。保量数据为备件的保有量的相关信息，其具有的属性和表现形式也可以与历史备件需求数据相类似，在一个实施例中在对历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断时可以使用动态规整算法，具体来说，在相似度判断时，可以利用动态规整算法对标准化(均值为0，方差为1)后的备件需求的时间序列和在保量数据的时间序列进行处理，计算出他们之间的最小距离作为判定相似度的标准。在一个实施例中，历史备件需求数据以时间序列曲线表现，相应的保量数据也可以以时间序列曲线表现，在本实施例中，将历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，来获取趋势数据(时间序列数据)，例如如果两者不相似选取某个预测子模型的趋势部分作为趋势数据。

S12，根据趋势数据对历史备件需求数据中的部分数据进行显著性假设检验，以获取历史备件需求数据中的异常值。显著性假设检验为对数据进行重要性检测，可以通过t检验、f检验、卡方检验等检验方式实现，例如t检验是检验一个样本平均数与一个已知的总体平均数的差异是否显著，当总体分布是正态分布，如总体标准差未知且样本容量小于30，那么样本平均数与总体平均数的离差统计量呈t分布。而历史备件需求数据中的部分数据可以是历史备件需求数据中去除周期和趋势部分的数据，以便找到历史备件需求数据中的异常值。

在本申请的一个实施例中，结合图4，所述的将历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，以获取时间序列曲线中的趋势数据的步骤包括：当历史备件需求数据的时间序列曲线与保量数据的时间序列曲线的相似度符合预设范围则选取保量数据作为趋势数据，否则对历史备件需求数据进行时间序列分解以生成趋势数据。例如将每个属性的曲线进行比对后，如果相似则选用保量数据中的趋势部分作为历史备件需求数据的趋势，如果不相似则可以使用STL时间序列进行分解，以将分解后形成的趋势部分作为历史备件需求数据的趋势数据。

作为优选，结合图4，所述的根据趋势数据对历史备件需求数据中的部分数据进行显著性假设检验，以获取历史备件需求数据中的异常值的步骤具体包括：去除历史备件需求数据中的趋势数据(时间序列，可以以线性表示)和周期数据，并对剩余数据进行t检验，查询剩余数据中的异常时间点，以根据异常时间点生成异常值。当然异常时间点对应的数据可以看作是异常值，异常时间点本身也可为异常值。获取需求数据中的异常值后需要对其进行替换，替换过程可以通过使用卡尔曼滤波的方式进行，例如对异常时间点的历史备件需求数据使用卡尔曼滤波进行替换，把异常时间点的需求数据更改为在这个时间点上估算的正常值。

在本申请的一个实施例中，如图3所示，所述的利用具有不同预测特性的多个预测子模型，对进行了异常值替换的历史备件需求数据进行训练，使预测子模型生成各自的具有权重的需求预测值步骤包括以下步骤：

S21，将进行了异常值替换的历史备件需求数据分别输入到多个预测子模型中，并分别进行迭代计算，生成多个相对应的需求预测值。迭代计算是数值计算中一类典型方法，应用于方程求根，方程组求解，矩阵求特征值等方面，其基本思想是逐次逼近，先取一个粗糙的近似值，然后用同一个递推公式，反复校正此初值，直至达到预定精度要求为止。使用多个预测子模型分别进行迭代计算，使得每个预测子模型在本实施例的环境下都能够提高计算精度，并生成多个与预测子模型相对应的需求预测值。

S22，将需求预测值和历史备件需求数据的实际值作为多模型融合的训练数据进行训练，以生成预测子模型各自的权重。训练数据是用于数据挖掘模型构建的数据，用于评估模型的准确率，在本实施例中，由于为每个预测子模型均对应有其需求预测值，因此基于各个需求预测值和历史备件需求数据的实际值，多模型融合的训练数据可以评估各个预测子模型的准确率，进而获取各个预测子模型的权重，如准确率高的预测子模型其权重大。

在本申请的一个实施例中，所述的根据多个需求预测值及其相对应的权重，计算备件需求的目标预测值包括：根据预测子模型在预定时间范围内生成的需求预测值的权重，计算目标预测值，其中，权重随预测子模型计算对应的需求预测值时与当前时间间隔的增大而降低。也就是说，预测子模型在计算需求预测值时如果距离当前时间点较近则其权重较高，如果预测子模型在计算需求预测值时如果距离当前时间点越来越远(时间越来越长)则其权重会逐渐降低。

本申请实施例还提供了一种多模型融合的预测装置，该装置可以应用在多种物品的消耗和补充相关联的预测领域，如可以应用在商家在进行备件的保修期间内满足用户对备件更换的需求的相关领域，使得备件需求能够满足合理的消耗且能够减少误差带来的损失，该装置包括获取模块、训练模块和计算模块。

获取模块配置为获取历史备件需求数据中的异常点，并使用预设的第一处理方式对异常点进行数据替换。历史备件需求数据为已经产生的历史范围内的与备件需求相关的多种数据，当然也可以具有多种属性，如时间属性、数量属性，对历史备件需求数据进行分析意味着对存储的历史数据进行了相应的分析。历史备件需求数据也可以以多种数据形式表现，例如数据块的形式、表的形式或者线性图像的形式。例如，以二维线性图像表示时，具有横向的时间数据，纵向的剩余数量、趋势(时间序列)、周期、总体数据等。而历史备件需求数据中的异常点可以被看作历史备件需求数据中的异常值，如异常高值、异常低值、飞点或其他不可靠数据等。获取模块在对异常点进行数据替换时可以使用预设的第一处理方式，在一个实施例中第一处理方式可以是对历史备件需求数据中的异常时间点的数据使用卡尔曼滤波进行替换，把异常时间点的需求数据更改为在这个时间点上估算的正常值。

训练模块配置为利用具有不同预测特性的多个预测子模型，对进行了异常值替换的历史备件需求数据进行训练，使预测子模型生成各自的具有权重的需求预测值。预测子模型的种类可以根据实际的预测使用环境或预测目标等因素来预先设定，结合图4，例如预测子模型可以为备件保量预测模型、时间序列分解(STL分解法)结合ARIMA模型、时间序列分解结合ets时间序列预测模型，前馈神经网络模型等。训练模块利用上述的预测子模型对进行了异常值替换的所述历史备件需求数据进行训练，使得预测子模型更加适用于对历史备件需求数据进行处理，提高其预测准确度，并且生成各个预测子模型对应的需求预测值，如第一预测子模型生成第一需求预测值，第二预测子模型生成第二需求预测值等等。每个预测子模型生成的需求预测值具有各自的权重，也可以认为每个预测子模型对应有各自的权重，预测较为精准的预测子模型权重较高。在一个实施例中，上述权重的计算可以使用含有加权和约束的线性回归，将多个预测子模型对应的需求预测值作为自变量，实际值作为因变量，约束限定每个预测子模型的权重大于等于0并且多个权重的和为1，在利用数学公式计算时，权重对应的目标函数是残差的平方，权重在当前时间点值最高，离当前时间点越远而值越小，并呈指数式衰减，利用公式表达可以为：

w_(i)＝decay^(N-i)

其中，J(α,β)为目标函数，α和β_j为所需求解参数，Pred为子模型输出的预测值，True为真实值，i代表预测的第i个时间点，N为预测的长度，j代表第j个子模型，P为子模型的个数，β_j表示第j个子模型的权重，限制条件为权重必须大于哦，并且和为1，decay为衰减系数。

计算模块配置为根据多个需求预测值及其相对应的权重，计算备件需求的目标预测值。需求预测值相对应的权重代表了每个预测子模型在多模型融合的预测方法中对目标预测值进行预测时所代表的比重。在一个实施例中，计算模块具体计算时可以将每个预测子模型的需求预测值与各自的权重相乘生成相应的需求预测中间数据，将多个需求预测中间数据相加后生成目标预测值。由于该目标预测值为多个预测子模型共同作用的结果，而且充分考虑了每个预测子模型的权重，因此该目标预测值极为精准，可以使用户对在未来交货时间内的备件要求做出准确的预测。此外需要说明的是，随着时间的推移，历史备件需求数据和保量数据等与物品相关的数据是处于动态的变化中，例如新数据的加入导致历史备件需求数据的增加，本申请的预测方法能够在存储的相关数据的动态变化的过程中来计算目标预测值，即针对新的数据能够进行新的运算。

在本发明的一个实施例中，获取模块进一步配置为：

将历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，以获取时间序列曲线中的趋势数据。保量数据为备件的保有量的相关信息，其具有的属性和表现形式也可以与历史备件需求数据相类似，在一个实施例中在对历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断时可以使用动态规整算法，具体来说，在相似度判断时，可以利用动态规整算法对标准化(均值为0，方差为1)后的备件需求的时间序列和在保量数据的时间序列进行处理，计算出他们之间的最小距离作为判定相似度的标准。在一个实施例中，历史备件需求数据以时间序列曲线表现，相应的保量数据也可以以时间序列曲线表现，在本实施例中，结合图4，获取模块将历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，来获取趋势数据(时间序列数据)，例如如果两者不相似选取某个预测子模型的趋势部分作为趋势数据。

根据趋势数据对历史备件需求数据中的部分数据进行显著性假设检验，以获取历史备件需求数据中的异常值。显著性假设检验为对数据进行重要性检测，可以通过t检验、f检验、卡方检验等检验方式实现，例如t检验是检验一个样本平均数与一个已知的总体平均数的差异是否显著，当总体分布是正态分布，如总体标准差未知且样本容量小于30，那么样本平均数与总体平均数的离差统计量呈t分布。而历史备件需求数据中的部分数据可以是历史备件需求数据中去除周期和趋势部分的数据，以便获取模块找到历史备件需求数据中的异常值。

在本发明的一个实施例中，结合图4，获取模块进一步配置为：当历史备件需求数据的时间序列曲线与保量数据的时间序列曲线的相似度符合预设范围则选取保量数据作为趋势数据，否则对历史备件需求数据进行时间序列分解以生成趋势数据。例如将每个属性的曲线进行比对后，如果相似则选用保量数据中的趋势部分作为历史备件需求数据的趋势，如果不相似则可以使用STL时间序列进行分解，以将分解后形成的趋势部分作为历史备件需求数据的趋势数据。

在本发明的一个实施例中，训练模块进一步配置为：将进行了异常值替换的历史备件需求数据分别输入到多个预测子模型中，并分别进行迭代计算，生成多个相对应的需求预测值；将需求预测值和历史备件需求数据的实际值作为多模型融合的训练数据进行训练，以生成预测子模型各自的权重。迭代计算是数值计算中一类典型方法，应用于方程求根，方程组求解，矩阵求特征值等方面，其基本思想是逐次逼近，先取一个粗糙的近似值，然后用同一个递推公式，反复校正此初值，直至达到预定精度要求为止。训练模块使用多个预测子模型分别进行迭代计算，使得每个预测子模型在本实施例的环境下都能够提高计算精度，并生成多个与预测子模型相对应的需求预测值。此外，训练数据是用于数据挖掘模型构建的数据，用于评估模型的准确率，在本实施例中，由于每个预测子模型均对应有其需求预测值，因此基于各个需求预测值和历史备件需求数据的实际值，多模型融合的训练数据可以评估各个预测子模型的准确率，进而获取各个预测子模型的权重，如准确率高的预测子模型其权重大。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (10)

1.一种多模型融合的预测方法，包括：

获取历史备件需求数据中的异常点，并使用预设的第一处理方式对所述异常点进行数据替换；

利用具有不同预测特性的多个预测子模型，对进行了异常值替换的所述历史备件需求数据进行训练，使所述预测子模型生成各自的具有权重的需求预测值；

根据多个所述需求预测值及其相对应的权重，计算备件需求的目标预测值。

2.根据权利要求1所述的方法，所述的获取历史备件需求数据中的异常点包括：

将所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，以获取所述时间序列曲线中的趋势数据；

根据所述趋势数据对所述历史备件需求数据中的部分数据进行显著性假设检验，以获取所述历史备件需求数据中的异常值。

3.根据权利要求2所述的方法，所述的将所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，以获取所述时间序列曲线中的趋势数据包括：

当所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线的相似度符合预设范围则选取所述保量数据作为趋势数据，否则对所述历史备件需求数据进行时间序列分解以生成所述趋势数据。

4.根据权利要求2所述的方法，所述的根据所述趋势数据对所述历史备件需求数据中的部分数据进行显著性假设检验，以获取所述历史备件需求数据中的异常值包括：

去除所述历史备件需求数据中的所述趋势数据和周期数据，并对剩余数据进行t检验，查询所述剩余数据中的异常时间点，以根据所述异常时间点生成所述异常值。

5.根据权利要求1所述的方法，所述的利用具有不同预测特性的多个预测子模型，对进行了异常值替换的所述历史备件需求数据进行训练，使所述预测子模型生成各自的具有权重的需求预测值包括：

将进行了异常值替换的所述历史备件需求数据分别输入到多个所述预测子模型中，并分别进行迭代计算，生成多个相对应的所述需求预测值；

将所述需求预测值和所述历史备件需求数据的实际值作为所述多模型融合的训练数据进行训练，以生成所述预测子模型各自的权重。

6.根据权利要求1所述的方法，所述的根据多个所述需求预测值及其相对应的权重，计算备件需求的目标预测值包括：

根据所述预测子模型在预定时间范围内生成的所述需求预测值的权重，计算所述目标预测值，其中，所述权重随所述预测子模型计算对应的需求预测值时与当前时间间隔的增大而降低。

7.一种多模型融合的预测装置，包括获取模块、训练模块和计算模块，

所述获取模块配置为获取历史备件需求数据中的异常点，并使用预设的第一处理方式对所述异常点进行数据替换；

所述训练模块配置为利用具有不同预测特性的多个预测子模型，对进行了异常值替换的所述历史备件需求数据进行训练，使所述预测子模型生成各自的具有权重的需求预测值；

所述计算模块配置为根据多个所述需求预测值及其相对应的权重，计算备件需求的目标预测值。

8.根据权利要求7所述的装置，所述获取模块进一步配置为

将所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线进行相似度判断，以获取所述时间序列曲线中的趋势数据；

根据所述趋势数据对所述历史备件需求数据中的部分数据进行显著性假设检验，以获取所述历史备件需求数据中的异常值。

9.根据权利要求8所述的装置，所述获取模块进一步配置为：

当所述历史备件需求数据的时间序列曲线与保量数据的时间序列曲线的相似度符合预设范围则选取所述保量数据作为趋势数据，否则对所述历史备件需求数据进行时间序列分解以生成所述趋势数据。

10.根据权利要求7所述的装置，所述训练模块进一步配置为：

将进行了异常值替换的所述历史备件需求数据分别输入到多个所述预测子模型中，并分别进行迭代计算，生成多个相对应的所述需求预测值；

将所述需求预测值和所述历史备件需求数据的实际值作为所述多模型融合的训练数据进行训练，以生成所述预测子模型各自的权重。