1.一种MOS器件寿命预测方法，其特征在于，包括：获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据，并建立参数退化量时间序列，其中，所述参数退化量数据为所述指标参数偏离初始值的5%~7%的数据；根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据，其中，所述时间序列分解算法是STL算法，所述分解后的数据包括趋势序列，季节序列和残差序列；将所述分解后的数据作为样本数据，并利用所述样本数据训练Holt-Winters模型，通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型，其中，所述Holt-Winters模型是加法模型，所述加法模型包括三个指数平滑方程和一个预测方程，其中，三个指数平滑方程分别是：预测方程是：其中， 为待确定水平平滑系数， 为待确定趋势平滑系数， 为待确定季节平滑系数， 为i+h时刻参数退化量数据的预测值，h为待预测时刻与当前时刻的时间差值； 为参数退化量数据在i时刻的残差， 为参数退化量数据在i时刻的趋势项， 为参数退化量数据在i时刻的季节项， 为参数退化量数据在i时刻的实际值； 为参数退化量数据在i-1时刻的残差， 为参数退化量数据在i-1时刻的趋势项， 为参数退化量数据在i-k时刻的季节项， 为参数退化量数据在i-k+h时刻的季节项，k为周期长度；利用训练后的所述Holt-Winters模型对所述MOS器件进行寿命预测。
2.根据权利要求1所述的方法，其特征在于，所述指标参数包括以下的至少一项：饱和漏电流、阈值电压、跨导。
3.根据权利要求2所述的方法，其特征在于，所述参数退化量数据为所述指标参数偏离初始值的5%或6%或7%的数据。
4.根据权利要求1所述的方法，其特征在于，所述建立参数退化量时间序列，包括：对非等时间间隔采样的所述参数退化量数据进行插值处理，建立参数退化量时间序列。
5.根据权利要求1所述的方法，其特征在于，所述平滑系数取值为 α =0.468， β =0.249， γ =0.532。
6.一种MOS器件寿命预测装置，其特征在于，包括：获取模块，被配置为获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据，并建立参数退化量时间序列，其中，所述参数退化量数据为所述指标参数偏离初始值的5%~7%的数据；分解模块，被配置为根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据，其中，所述时间序列分解算法是STL算法，所述分解后的数据包括趋势序列，季节序列和残差序列；训练模块，被配置为将所述分解后的数据作为样本数据，并利用所述样本数据训练Holt-Winters模型，所述训练模块还包括优化单元，被配置为通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型，其中，所述Holt-Winters模型是加法模型，所述加法模型包括三个指数平滑方程和一个预测方程，其中，三个指数平滑方程分别是：预测方程是：其中， 为待确定水平平滑系数， 为待确定趋势平滑系数， 为待确定季节平滑系数， 为i+h时刻参数退化量数据的预测值，h为待预测时刻与当前时刻的时间差值； 为参数退化量数据在i时刻的残差， 为参数退化量数据在i时刻的趋势项， 为参数退化量数据在i时刻的季节项， 为参数退化量数据在i时刻的实际值； 为参数退化量数据在i-1时刻的残差， 为参数退化量数据在i-1时刻的趋势项， 为参数退化量数据在i-k时刻的季节项， 为参数退化量数据在i-k+h时刻的季节项，k为周期长度；预测模块，被配置为利用训练后的所述Holt-Winters模型对所述MOS器件进行寿命预测。
7.根据权利要求6所述的装置，其特征在于，所述指标参数包括以下的至少一项：饱和漏电流、阈值电压、跨导。
8.根据权利要求7所述的装置，其特征在于，所述参数退化量数据为所述指标参数偏离初始值的5%或6%或7%的数据。
9.根据权利要求6所述的装置，其特征在于，所述获取模块包括：预处理单元，被配置为对非等时间间隔采样的所述参数退化量数据进行插值处理，建立参数退化量时间序列。
10.根据权利要求6所述的装置，其特征在于，所述平滑系数取值为 α =0.468， β =0.249， γ =0.532。
11.一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1~5任一项所述的方法步骤。
12.一种可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现权利要求1~5任一项所述的方法步骤。
