21世纪的今天,随着互联网技术不断的推陈出新,各种应用软件如今在我们的衣食住行方面发挥着不可或缺的作用,成为了我们生活中必不可少的使用工具,使得整个社会朝着更加智能化的方向发展。如何利用好内嵌有应用软件的电子设备产生的信息,成为了各个偏硬件的大公司需要重点探讨的问题,电子设备发生故障的时间预测也逐渐称成为了一个很重要的方向。高效且准确的预测不仅可以帮助公司及时采取有效的应对措施去排除掉电子设备的风险点,还可以达到最大化利润的目的。目前在学术界中,电子设备发生故障的时间预测也成为了众多专家学者们的重要研究课题之一。目前最常见的方法主要有两类,分别是基于点过程和基于传统机器学习的方法。基于传统机器学习的方法并没有考虑到历史数据对现在时刻事件的影响,而将该问题认为是普遍的考虑特征因素的回归或者分类问题,正是因为在建模过程中缺乏对事件时间先后顺序对现在影响的考虑,从而导致该类方法的预测准确性普遍不是很高。第二类方法是基于点过程的方法。点过程是随机过程的一种,是一类针对时间序列建模比较常用且效果比较好的方法,对条件强度函数进行建模是该方法的核心,如在随机过程中比较常见的泊松点过程和Hawkes点过程,本文重点使用的是基于Hawkes点过程的方法。基于泊松点过程进行建模是一种较为简单的方法,泊松点过程的条件强度函数是一个固定的常数,与时间无关,虽然后来非齐次泊松点过程中的条件强度函数变成了与时间相关的连续函数,但是却没有考虑事件发生的时间先后顺序,而基于Hawkes点过程的建模方法则在泊松点过程的基础上考虑了历史事件对现在时刻决策的影响,虽然预测准确性有所提高,但是却都忽略了其他特征因素对电子设备发生故障的时间的影响。通过以上的事实考虑,本文开展了如下的研究工作:1.本文借助Hawkes点过程在时间序列建模的优势,提升电子设备发生故障的时间预测的准确性。2.针对电子设备发生故障的时间较长时预测准确性不高的问题,本文在模型中加入了电子设备老化因素和电压因素,使得准确性得到了进一步的提升。3.在验证了电子设备老化因素和电压影响因素对电子设备发生故障的时间预测产生影响之后,紧接着讨论了这两种因素对最后结果的影响方式,主要的方法是通过对影响因子的线性与非线性组合,用所构造的模型进行预测。在最后的实验数据显示中对于本文而言,线性模型的表现力更好,且两种影响因素之间趋近于相互独立。但是本文并不排除存在表现力更好的非线性组合模型的可能性。4.本文对上述的模型在八个真实模块的数据集上进行了实验,验证了模型的预测准确性。