1.基于长短时记忆循环神经网络的综合管廊运维预测方法，其特征在于：所述的基于长短时记忆循环神经网络的综合管廊运维预测及方法包括以下步骤：

S1，系统预制，首先构建一个基于SOA体系为基础的主程序系统，LSTM的智能预测系统为核心的风险服务器，且所述风险服务器中另外设有CNN卷积运算系统和BP神经网络系统，且LSTM的智能预测系统分别与CNN卷积运算系统和BP神经网络系统连接，且CNN卷积运算系统另与BP神经网络系统连接，从而构成风险运维预测系统；

S2，数据预处理，完成S1步骤后，LSTM的智能预测系统首先以时间序列为基础建立数据运行模型，并包含至少三个cell神经网络，且每个cell神经网络均包含串联的四个普通神经网络的隐藏层结构，其中第一、二和四的激活函数均为sigmoid函数，第三个的激活函数为tanh函数，同时，首先设t时刻的输入X和t‑1时刻的输出h(t‑1)进行拼接，然后输入cell中，具体为输入X(t)分别feed进了四个普通神经网络的隐藏层结构中，每个普通神经网络的隐藏层结构中进行的运算和正常的神经网络的计算一样，有关记忆的部分完全由各种门结构来控制，同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t‑1)，从而在cell中一方面同时生成两条平行分布的数据处理路径，其中一条数据处理路径用于控短时记忆，另一条数据处理路径用于控制长时记忆；另一方面生成输入门、遗忘门和输出门三类逻辑判断节点，即可完成LSTM的智能预测系统设置，然后将通过外部设备向风险服务器中录入管廊系统运维作业中采集的运维数据，然后将运维数据发送至CNN卷积运算系统中，经过CNN卷积运算系统初步运算后同时将运算后数据发送至LSTM的智能预测系统和BP神经网络系统中；

S3，风险预测，完成S2步骤后，一方面由BP神经网络系统对接收的数据进行二次运行，并对运行结果缓存备用；另一方面LSTM的智能预测系统对接收的数据进行运行，并对接收的数据经过运行后划分为短时记忆风险预测结果和长时记忆风险预测结果，然后BP神经网络系统根据接收的短时记忆风险预测结果和长时记忆风险预测结果与之前缓存的运行结果进行二次比对运算，然后输出当前管廊系统运维数据对应的风险时间及风险等级，并以此为最终结果进行输出。

2.根据权利要求1所述的基于长短时记忆循环神经网络的综合管廊运维预测方法，其特征在于：所述的S1步骤中，构建的服务器通过外部数据通讯网络与管廊系统的操控终端间数据连接。

3.根据权利要求1所述的基于长短时记忆循环神经网络的综合管廊运维预测方法，其特征在于：所述的S2步骤中，在进行LSTM的智能预测系统设定时，LSTM的智能预测系统采用RNN模型结构构建。

4.根据权利要求1所述的基于长短时记忆循环神经网络的综合管廊运维预测方法，其特征在于：所述的S3步骤中，发送至BP神经网络系统中的短时记忆风险预测结果和长时记忆风险预测结果，均保持在风险服务器中，其中短时记忆风险预测结果在进行下一次风险评估时从LSTM的智能预测系统中直接删除，长时记忆风险预测结果保留在LSTM的智能预测系统中持续运行，此外，当短时记忆风险预测结果出现频率占风险预测作业次数的40％以上时，则该短时记忆风险预测结果转化为长时记忆风险预测结果并应用，当长时记忆风险预测结果出现频率小于2％时，则从LSTM的智能预测系统中删除，并作为原始备用数据保存在风险服务器中备用。