本发明属于需求预测算法领域，特别涉及一种基于需求特性分析的需求预测模型选择方法。
背景技术：
：目前，产品需求预测算法一般为定量预测。定量预测是根据历史和现在的统计数据资料，选择或建立合适的数学模型，分析研究其发展变化的规律并对未来作出预测。在现在的研究中，定量预测主要是基于少量实验选择预测模型，在选择过程中影响因素很多，即使采用实验方式选择合适的模型，由于无法估算影响因素，导致存在很大的误差，难以全面、准确地预测未来的产品需求，使得现有产品需求预测算法的可靠性较差。技术实现要素：为了解决现有技术中存在的缺点和不足，本发明提供了一种基于需求特性分析的需求预测模型选择方法，解决实际需求预测普遍存在的预测偏差过大的问题，提高了预测的可靠性。为了达到上述技术目的，本发明提供了一种基于需求特性分析的需求预测模型选择方法，包括：分别获取物料数据和项目数据，对所述物料数据和所述项目数据进行数据清洗，获取清洗后的物料数据和清洗后的项目数据；基于预设数据类型将所述清洗后的物料数据和所述清洗后的项目数据进行合并，得到合并后的月数据；构建包括至少一种预测算法的预测模型，将所述合并后的月数据输入至所述预测模型中，根据所述合并后的月数据中的预测值和实际需求值对所述预测算法进行筛选，得到与每个预测算法对应的权重值；根据所述权重值以及与所述权重值对应的预测算法，确定最终需求预测模型。可选的，对所述物料数据和所述项目数据进行数据清洗包括：对物料数据进行一对一冲销处理数据、单价异常的数据处理、物资编码匹配、异动需求数据处理、去除季节性后异常值处理；对项目数据进行项目数据分类、项目数据筛选。可选的，所述对物料数据进行一对一冲销处理数据、单价异常的数据处理、物资编码匹配、异动需求数据处理、去除季节性后异常值处理包括：一对一冲销处理数据，包括选取一条需求数量为负的需求记录，从所述需求记录中提取物料编码和工厂编码，基于所述物料编码和所述工厂编码获取预设数量月份的需求记录，如果有所述匹配记录的数量超过两条，则选取距今最近的需求记录，将所述距今最近的需求记录以及所述需求数量为负的需求记录中的需求数量置零；单价异常的数据处理，包括计算需求记录中的需求单价，根据物料编码的合理需求单价区间，如果所述需求单价不在所述合理需求单价区间内，则进行人工干预处理；物资编码匹配，包括从新的协议库存匹配表中选取目标物料以及与所述目标物料对应的标准物料编码，在旧的协议库存匹配表中选取与所述目标物料对应的历史物料编码，将所述标准物料编码与所述历史物料编码进行匹配，建立存储匹配关系的物料对照表；异动需求数据处理，包括获取历史近n年的月数据，将月数据总和的均值+m倍标准差为阈值，筛选出大于阈值的数据并进行处理；去除季节性后异常值处理，包括计算每年每个月的季节因子，获取历史近r年的每月的需求量除以对应月份的季节因得到平均值，将去除季节因子值之后的月数据的均值+t倍标准差为阈值，筛选出大于阈值的数据并进行处理；其中，n、m、r、t的取值为正整数。可选的，所述每年每个月的季节因子的公式：每年每个月的季节因子＝当月实际需求量/本年每月平均需求量。可选的，所述对项目数据进行项目数据分类、项目数据筛选包括：项目数据分类，分类项目包括项目编号、项目名称、公司名称、项目大类、项目小类、电压等级、建设属性；项目数据筛选，包括剔除不属于配网范围内的项目，以及无效的项目数据，其中，所述建设属性为“取消”的数据为无效的项目数据。可选的，所述基于预设数据类型将所述清洗后的物料数据和所述清洗后的项目数据进行合并，得到合并后的月数据包括：将清洗后的物料数据和项目数据按协议库存匹配表进行匹配，根据标准物料编码以及需求数据所在的相同月份进行合并后生成月数据；根据物资需求特性对合并后的月数据进行排序。可选的，所述物资需求特性包括物资的重要性、平稳性、季节性、趋势性、连续性。可选的，所述将合并后的月数据输入至所述预测模型中，根据所述合并后的月数据中的预测值和实际需求值对所述预测算法进行筛选，得到与每个预测算法对应的权重值，包括：根据所述合并后的月数据中的预测值和实际需求值作比较，从所述预测模型中选取预测算法组合。可选的，所述根据所述合并后的月数据中的预测值和实际需求值作比较，从所述预测模型中选取预测算法组合包括：如果所述预测算法组合中仅包含一个预测算法，将所述预测值输入所述预测算法进行计算，权重值为1；或如果所述预测算法组合中有第一预测算法和第二预测算法，将所述预测值输入所述第一预测算法和所述第二预测算法进行计算，得到与所述第一预测算法对应的第一结果以及与所述第二预测算法对应的第二结果，设定与所述第一预测结果对应的权重值为k，设定与所述第二预测结果对应的权重值为j，对所述权重值k和所述权重值j进行初始赋值，计算初始赋值下的预测结果的初始加权和，获取所述初始加权和与所述实际需求值的差值；按最小调整幅值对所述权重值k和所述权重值j的赋值进行调整，获取不同赋值状态下所述第一预测结果和所述第二预测结果的加权和，确定不同赋值状态下所述第一预测结果和所述第二预测结果的加权和与所述实际需求值的差值；将差值最小情况下对应的所述权重值k和所述权重值j赋值定为最优权重；其中，权重值k、权重值j之和为1；或如果所述预测算法组合中有第一预测算法、第二预测算法和第三预测算法，将所述预测值输入所述第一预测算法、所述第二预测算法和所述第三预测算法进行计算，得到与所述第一预测算法对应的第一结果、与所述第二预测算法对应的第二结果以及与所述第三预测法对应的第三结果，设定与所述第一预测结果对应的权重值为a，设定与所述第二预测结果对应的权重值为b，设定与所述第三预测结果对应的权重值为c，对所述权重值a、所述权重值b和所述权重值c进行初始赋值，计算初始赋值下的预测结果的初始加权和，获取所述初始加权和与所述实际需求值的差值；按最小调整幅值对所述权重值a、所述权重值b和所述权重值c的赋值进行调整，获取不同赋值状态下所述第一预测结果、所述第二预测结果和所述第三预测结果的加权和，确定不同赋值状态下所述第一预测结果、所述第二预测结果和所述第三预测结果的加权和与所述实际需求值的差值；将差值最小情况下对应的所述权重值a、所述权重值b和所述权重值c赋值定为最优权重；其中，权重值a、权重值b和权重值c之和为1；或如果所述预测算法组合中有第一预测算法、第二预测算法、第三预测算法和第四预测算法，将所述预测值输入所述第一预测算法、所述第二预测算法、所述第三预测算法和所述第四预测算法进行计算，得到与所述第一预测算法对应的预测结果、与所述第二预测算法对应的第二结果、与所述第三预测法对应的第三结果以及与所述第一预测算法对应的第四结果，设定与所述第一预测结果对应的权重值为x，设定与所述第二预测结果对应的权重值为y，设定与所述第三预测结果对应的权重值为z，设定与所述第四预测结果对应的权重值为q，对所述权重值x、所述权重值y、所述权重值z和所述权重值q进行初始赋值，计算初始赋值下的预测结果的初始加权和，获取所述初始加权和与所述实际需求值的差值；按最小调整幅值对所述权重值x、所述权重值y、所述权重值z和所述权重值q的赋值进行调整，获取不同赋值状态下所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果的加权和，确定不同赋值状态下所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果的加权和与所述实际需求值的差值；将差值最小情况下对应的所述权重值x、所述权重值y、所述权重值z和所述权重值q赋值定为最优权重；其中，权重值x、权重值y、权重值z和权重值q之和为1；或如果所述预测算法组合中没有一个预测算法，则默认预测算法组合中包括一个预测算法，将所述预测值输入所述预测算法进行计算，权重值为1；保存上述结果，结束；其中，所述k、j、a、b、c、x、y、z、q的取值范围为[0，1]。可选的，所述预测算法组合包括holt-winter加法算法、holt-winter乘法算法、croston改进算法1、croston改进算法2、多项式拟合算法。本发明提供的技术方案带来的有益效果是：通过获取历史数据并将历史数据清洗过后输入预测模型中进行预测，选取包括预测值的加权和跟实际需求值偏差最小的权重值的预测模型，确定最终需求预测模型。从而解决实际需求预测普遍存在的预测偏差过大的问题，提高了预测的可靠性，建立一种基于需求特性分析的需求预测模型选择方法，实用简单易操作。附图说明为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本发明提供的一种基于需求特性分析的需求预测模型选择方法的流程示意图。具体实施方式为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。实施例一本发明提供了一种基于需求特性分析的需求预测模型选择方法，如图1所述，所述一种基于需求特性分析的需求预测模型选择方法，包括：101、分别获取物料数据和项目数据，对所述物料数据和所述项目数据进行数据清洗，获取清洗后的物料数据和清洗后的项目数据；102、基于预设数据类型将所述清洗后的物料数据和所述清洗后的项目数据进行合并，得到合并后的月数据；103、构建包括至少一种预测算法的预测模型，将所述合并后的月数据输入至所述预测模型中，根据所述合并后的月数据中的预测值和实际需求值对所述预测算法进行筛选，得到与每个预测算法对应的权重值；104、根据所述权重值以及与所述权重值对应的预测算法，确定最终需求预测模型。在实施中，首先，分别从配网协议库存获取物料数据和从erp(enterpriseresourceplanning，企业资源计划)综合计划管理平台获取项目数据，并对其物料数据和项目数据进行清洗从而获取清洗后的物料数据和项目数据；其次，将清洗好的物料数据和项目数据按协议库存匹配表进行匹配，并对上述清洗好的物料数据和项目数据按照标准物料编码以及需求所在相同的月份进行合并，从而得到合并后的月数据；再次，预测模型中至少包括一种预测算法，从预测模型中选择合适的预测算法，并将合并后的月数据输入预测模型中的预测算法进行预测，根据合并后的月数据中的预测值和实际需求值对预测算法进行筛选，得到与每个预测算法对应的权重值；最后，根据权重值和与实际需求值作比较，选取权重值和与实际需求值误差最小的权重为最优权重，确定最终需求预测模型。具体的，在步骤101中提出了对所述物料数据和所述项目数据进行数据清洗，包括：对物料数据进行一对一冲销处理数据、单价异常的数据处理、物资编码匹配、异动需求数据处理、去除季节性后异常值处理；对项目数据进行项目数据分类、项目数据筛选。在实施中，对物料数据和项目数据进行数据清洗的步骤是有所区别的，对物料数据进行清洗步骤包括一对一冲销处理数据、单价异常的数据处理、物资编码匹配、异动需求数据处理、去除季节性后异常值处理，而对项目数据进行清洗步骤比较简单，它仅包括项目数据分类、项目数据筛选。可选的，所述对物料数据进行一对一冲销处理数据、单价异常的数据处理、物资编码匹配、异动需求数据处理、去除季节性后异常值处理包括：一对一冲销处理数据，包括选取一条需求数量为负的需求记录，从所述需求记录中提取物料编码和工厂编码，基于所述物料编码和所述工厂编码获取预设数量月份的需求记录，如果有所述匹配记录的数量超过两条，则选取距今最近的需求记录，将所述距今最近的需求记录以及所述需求数量为负的需求记录中的需求数量置零；单价异常的数据处理，包括计算需求记录中的需求单价，根据物料编码的合理需求单价区间，如果所述需求单价不在所述合理需求单价区间内，则进行人工干预处理；物资编码匹配，包括从新的协议库存匹配表中选取目标物料以及与所述目标物料对应的标准物料编码，在旧的协议库存匹配表中选取与所述目标物料对应的历史物料编码，将所述标准物料编码与所述历史物料编码进行匹配，建立存储匹配关系的物料对照表；异动需求数据处理，包括获取历史近n年的月数据，将月数据总和的均值+m倍标准差为阈值，筛选出大于阈值的数据并进行处理；去除季节性后异常值处理，包括计算每年每个月的季节因子，获取历史近r年的每月的需求量除以对应月份的季节因得到平均值，将去除季节因子值之后的月数据的均值+t倍标准差为阈值，筛选出大于阈值的数据并进行处理；其中，n、m、r、t的取值为正整数。在实施中，一对一冲销处理数据，包括选取一条需求数量为负的需求记录，然后根据相同的物料编码、相同的工厂编码获取近多个月的需求数量、需求金额的绝对值相同的需求记录，作为冲销匹配记录，如果有超过两条匹配记录，默认选择时间最近的这条记录和之前选取的一条数量为负的需求记录进行冲销，冲销是将这两条相匹配的记录需求数量都置零。例如，选取2016.10.20号，物料编码500001040的10kv箱式变电站，其需求数量为-5，需求金额为-682775.8，根据相同的物料编码、相同的工厂编码查找2016.4.21～2016.10.20这段时间需求数量与需求金额正相反的需求记录，如表1所示。表1从表1可以看出在2016.4.21～2016.10.20这段时间只有3条满足条件的记录，选择需求日期最近的2016.09.21作为最终的冲销匹配记录，冲销完成后，两条记录的需求数量均调整成为0，但需求金额不变，如表2所示。表2单价异常的数据处理，包括判断单价异常首先计算每条需求记录中的需求单价＝本位币金额/数量，根据物料编码的合理需求单价区间查找这条物料编码的合理需求单价区间，合理需求单价区间一般设置为(最小单价～最大单价)，也可以根据实际情况放大合理需求单价区间，然后判断这条需求单价是否在合理需求单价区间内，如果不在的话就判断数量是否存在偏差，因为需求金额一般是不会出错，则需要找对物资需求比较熟悉的人参与该情况进行处理。系统中对每个物料都有维护正常单价如表3所示。表3物资编码匹配，由于物资更新可能导致一些老的物料被新的物料替代，相应的物料也会相应更新，为了能够得到新编码合理的历史需求数据，需要从新的协议库存匹配表中选取目标物料以及与所述目标物料对应的标准物料编码，再从旧的协议库存匹配表中选取与所述目标物料对应的历史物料编码，将新的标准物料编码与旧的历史物料编码进行匹配，建立存储匹配关系的物料对照表，如表4所示，对应规则由业务部门提供。表4异动需求数据处理，经过前面几步处理后，将每个物资的需求数量按月汇总，获取历史近n年的月数据，在将月数据总和的均值+m倍标准差为阈值，筛选出大于阈值的数据，并且查看这个月的详细的需求数据，核实需求数量的准确性。去除季节性后异常值处理，将前几步形成的月数据进行进一步的处理，首先计算每年每个月的季节因子，将同一个月份不同年份的季节因子取平均得到最终这月的季节因子。获取历史近r年的每月的需求量除以对应月份的季节因子得到平均值，将去除季节因子值之后的月数据的均值+t倍标准差为阈值，筛选出大于阈值的数据并进行处理，并查看这个月的详细的需求数据，核实需求数量的准确性。其中，n、m、r、t的取值为正整数。基于上述理论，在清洗物料数据过程中的去除季节性后异常值处理步骤中，包括所述每年每个月的季节因子的公式：每年每个月的季节因子＝当月实际需求量/本年每月平均需求量。可选的，在步骤101中清洗项目数据过程中对项目数据进行项目数据分类、项目数据筛选包括：项目数据分类，分类项目包括项目编号、项目名称、公司名称、项目大类、项目小类、电压等级、建设属性；项目数据筛选，包括剔除不属于配网范围内的项目，以及无效的项目数据，其中，所述建设属性为“取消”的数据为无效的项目数据。在实施中，首先，将项目数据分类，分为项目编号、项目名称、公司名称、项目大类、项目小类、电压等级、建设属性等；然后，将项目数据筛选，剔除不属于配网范围内项目以及无效项目数据，其中配网项目范围＝项目大类为“技改”、“配网单体”、“配网打捆”且电压等级远远小于35kv，无效数据的建设属性为“取消”。即清洗过后的项目数据为属于配网大类且电压等级远远小于35kv，建设属性不为“取消”的。可选的，步骤102中提出了基于前一步得到的处理后的清洗后的物料数据和项目数据包括：将清洗后的物料数据和项目数据按协议库存匹配表进行匹配，根据标准物料编码以及需求数据所在的相同月份进行合并后生成月数据；根据物资需求特性对合并后的月数据进行排序。在实施中，首先，将清洗后的物料数据和项目数据按协议库存匹配表进行匹配，如表5所示。表5然后，将表5中的数据按照标准物料编码以及需求数据所在的相同月份进行合并，得到每个标准物料每个月的需求数量，如500001040在2016年8、9、10月的需求数量分别为5、6、9；500001083在2016年8、9、10月的需求数量分别为8、7、4。最后再根据物资需求特性对合并后的月数据进行排序。可选的，在步骤102中提到的物资需求特性包括物资的重要性、平稳性、季节性、趋势性、连续性。在实施中，物资需求特性包括重要性、平稳性、季节性、趋势性、连续性，进一步对重要性、平稳性、季节性、趋势性、连续性进行分析。重要性：每个物资的需求金额在数据清洗完后就会汇总。具体做法为，获取近一年(时间范围可调整)所有物资，并将获取物资的需求金额从大到小排序，然后根据库存管理中的2/8原则，即前20％物资金额占比80％，接下来30％的物资金额占比10％，剩余50％的物资金额占比10％分别对应重要性a、b、c的规则划分物资重要性。平稳性：平稳性用变异系数来衡量，变异系数用近两年(时间范围可调整)的月需求数量来计算，变异系数cv2＝标准差/均值，然后跟变异系数临界值比较，判断平稳性的强弱(cv2<0.6，强；0.6＜＜cv2<1，较强；1＜＜cv2<2，较弱；2＜＜cv2，弱)。季节性：季节性分析用于判断需求是否有明显的季节性，根据需求序列的季节性因子变化(变异系数，同平稳性计算过程)进行判定，假如2014、2015两年相同月份的季节因子比值都接近1，则季节因子的变异性接近0，说明该序列的季节性较弱，反之则较强。季节性强弱判断的临界值：季节性因子变异系数<0.4，季节性弱；0.4＜＜季节性因子变异系数<0.5，季节性较弱；0.5＜＜季节性因子变异系数<0.6，季节性较强；季节性因子变异系数＞＞0.6，季节性强；趋势性：用于判断需求是否具有明显的趋势，如线性增加/减少，一般用直线或者曲线拟合，并判断拟合的拟合优度，如果拟合优度大于0.7，则认为有明显的趋势，否则趋势不明显。连续性：连续性用平均需求间隔来衡量，平均需求间隔是指连续的两个非零需求之间的间隔长度，如某个物资1～12月的需求量如表6和表7所示。月份123456789101112量80560750025048000表6表7由表7可以看出非零需求量之间的间隔分别为1、2、3、2，平均需求间隔为(1+2+3+2)/4＝2，将求得平均需求间隔跟平均需求间隔的临界值1.42作比较，判断需求连续性强弱，如果平均间隔≤1.42，连续需求；如果平均间隔>1.42，间断需求；总需求次数＜＜3次，零星需求。基于完成步骤102后，步骤103具体包括：根据所述合并后的月数据中的预测值和实际需求值作比较，从所述预测模型中选取预测算法组合。在实施中，计算权重前，需要从5种算法先筛选满足条件的预测算法，具体过程如下，分别获取近12个月(时间可调整)的月数据中预测值与实际12个月的实际需求值作比较，在实际12个月实际需求值的(0.5，1.5)范围内预测算法作为候选的预测算法组合。可选的，所述根据所述合并后的月数据中的预测值和实际需求值作比较，从所述预测模型中选取预测算法组合包括：如果所述预测算法组合中仅包含一个预测算法，将所述预测值输入所述预测算法进行计算，权重值为1；或如果所述预测算法组合中有第一预测算法和第二预测算法，将所述预测值输入所述第一预测算法和所述第二预测算法进行计算，得到与所述第一预测算法对应的第一结果以及与所述第二预测算法对应的第二结果，设定与所述第一预测结果对应的权重值为k，设定与所述第二预测结果对应的权重值为j，对所述权重值k和所述权重值j进行初始赋值，计算初始赋值下的预测结果的初始加权和，获取所述初始加权和与所述实际需求值的差值；按最小调整幅值对所述权重值k和所述权重值j的赋值进行调整，获取不同赋值状态下所述第一预测结果和所述第二预测结果的加权和，确定不同赋值状态下所述第一预测结果和所述第二预测结果的加权和与所述实际需求值的差值；将差值最小情况下对应的所述权重值k和所述权重值j赋值定为最优权重；其中，权重值k、权重值j之和为1；或如果所述预测算法组合中有第一预测算法、第二预测算法和第三预测算法，将所述预测值输入所述第一预测算法、所述第二预测算法和所述第三预测算法进行计算，得到与所述第一预测算法对应的第一结果、与所述第二预测算法对应的第二结果以及与所述第三预测法对应的第三结果，设定与所述第一预测结果对应的权重值为a，设定与所述第二预测结果对应的权重值为b，设定与所述第三预测结果对应的权重值为c，对所述权重值a、所述权重值b和所述权重值c进行初始赋值，计算初始赋值下的预测结果的初始加权和，获取所述初始加权和与所述实际需求值的差值；按最小调整幅值对所述权重值a、所述权重值b和所述权重值c的赋值进行调整，获取不同赋值状态下所述第一预测结果、所述第二预测结果和所述第三预测结果的加权和，确定不同赋值状态下所述第一预测结果、所述第二预测结果和所述第三预测结果的加权和与所述实际需求值的差值；将差值最小情况下对应的所述权重值a、所述权重值b和所述权重值c赋值定为最优权重；其中，权重值a、权重值b和权重值c之和为1；或如果所述预测算法组合中有第一预测算法、第二预测算法、第三预测算法和第四预测算法，将所述预测值输入所述第一预测算法、所述第二预测算法、所述第三预测算法和所述第四预测算法进行计算，得到与所述第一预测算法对应的预测结果、与所述第二预测算法对应的第二结果、与所述第三预测法对应的第三结果以及与所述第一预测算法对应的第四结果，设定与所述第一预测结果对应的权重值为x，设定与所述第二预测结果对应的权重值为y，设定与所述第三预测结果对应的权重值为z，设定与所述第四预测结果对应的权重值为q，对所述权重值x、所述权重值y、所述权重值z和所述权重值q进行初始赋值，计算初始赋值下的预测结果的初始加权和，获取所述初始加权和与所述实际需求值的差值；按最小调整幅值对所述权重值x、所述权重值y、所述权重值z和所述权重值q的赋值进行调整，获取不同赋值状态下所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果的加权和，确定不同赋值状态下所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果的加权和与所述实际需求值的差值；将差值最小情况下对应的所述权重值x、所述权重值y、所述权重值z和所述权重值q赋值定为最优权重；其中，权重值x、权重值y、权重值z和权重值q之和为1；或如果所述预测算法组合中没有一个预测算法，则默认预测算法组合中包括一个预测算法，将所述预测值输入所述预测算法进行计算，权重值为1；保存上述结果，结束；其中，所述k、j、a、b、c、x、y、z、q的取值范围为[0，1]。在实施中，从预测模型选取预测算法组合，预测算法组合有五种情况，情况一，预测算法组合仅有一种预测算法，情况二，预测算法组合中有第一预测算法和第二预测算法，情况三，预测算法组合中有第一预测算法、第二预测算法和第三预测算法，情况四，预测算法组合中有第一预测算法、第二预测算法、第三预测算法和第四种预测算法，情况五，预测算法组合没有一种预测算法，就默认预测算法组合仅有一种预测算法。上述的第一预测算法、第二预测算法、第三预测算法、第四预测算法中的“第一”、“第二”、“第三”、“第四”、只是标号用于区别多个预测算法，且并没有固定预测算法的类型。针对情况一或情况五的状况下，默认选择原始的winter算法作为预测算法，权重为1。针对情况二，预测算法组合中有第一预测算法和第二预测算法，将预测值输入预测算法组合进行计算，分别得到第一预测结果和第二预测结果，两种预测结果的权重分别为k、j，并且k、j之和为1，首先给权重k赋初值为0.05，则权重j的初值为0.95，计算该对权重下两种预测算法的预测结果的加权和，让k在[0，1]范围按间隔0.05(间隔时间可调整)逐渐增大，即权重k为0.1时，权重j为0.9，计算该对权重下的两种预测算法的预测结果的加权和，以此类推，对k、j逐级进行调整，并且分别计算每次调整后，得到对应权重下两种预测算法的预测结果的加权和，最终选取加权和跟实际需求值误差绝对值最小的情况下对应权重作为最优权重。针对情况三、情况四的算法如同情况二，这里不再赘述。可选的，基于上述理论所述预测算法组合包括holt-winter加法算法、holt-winter乘法算法，croston改进算法1、croston改进算法2、多项式拟合算法。在实施中，组合预测模型包括holt-winter加法算法、holt-winter乘法算法、croston改进算法1、croston改进算法2、多项式拟合算法、holt-winter加法算法、holt-winter乘法算法是属于holt-winter算法，croston改进算法1、croston改进算法2是属于croston算法，从需求特性分析的情况来看，holt-winter算法比较适用于电力物资的季节性比较明显，且波动比较大的预测；croston算法比较适用于部门间断需求的预测；多项式拟合算法适用于来趋势性需求的预测。本发明提供了一种基于需求特性分析的需求预测模型选择方法，包括：分别获取物料数据和项目数据并对物料数据和项目数据进行数据清洗；将清洗后的物料数据和清洗后的项目数据进行合并，得到合并后的月数据；将合并后的月数据输入至预测模型中进行预测，得到与每个预测算法对应的权重值；根据权重值以及与权重值对应的预测算法，确定最终需求预测模型。通过获取历史数据并将历史数据清洗过后输入预测模型中进行预测，选取包括预测值的加权和跟实际需求值偏差最小的权重值的预测模型，确定最终需求预测模型。从而解决实际需求预测普遍存在的预测偏差过大的问题，提高了预测的可靠性，且实用简单易操作。上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12