1.一种基于Temporal_ATT‑Former的药品库房温湿度预测方法，其特征在于，包括如下步骤：步骤1：获取药品库房环境的温湿度的历史数据，对历史数据进行预处理；

步骤2：建立Temporal_ATT‑Former温湿度预测模型，具体步骤如下：步骤2.1：Temporal_ATT‑Former包括Encoder模块和Decoder模块；

步骤2.2：建立Encoder模块，包括输入层，卷积层，时间注意力层，归一化和特征输出层；

步骤2.3：建立Decoder模块，包括输入层，掩盖多头时间注意力层，多头时间注意力层和全连接层，输出层；

所述Encoder模块具体为：

第一层：输入层，包括温湿度的特征，局部时间序列特征，全局的时间序列特征即在t时刻的温湿度输入为 其中， 为温湿度特征，为局部的时间序列特征， 为全局时间序列特征；

第二层：卷积层，采用一维卷积操作分别对药品库房温湿度进行特征提取，即第三层：多头时间注意力层，强化输入层的时间序列的温湿度特征；

第四层：归一化和特征输出层；

所述Decoder模块具体为：

第一层：输入层，基于时间序列的温湿度数据向前移动T个时间戳的输入，即第二层：注意力层，包括掩盖多头时间注意力层和多头时间注意力层；

第三层：全连接层；

第四层：输出层，输出预测的时间序列的温湿度数据；

步骤3：将获取的药品库房的温湿度数据特征，对Temporal_ATT‑Former进行温湿度预测模型训练；

步骤4：测试Temporal_ATT‑Former模型的效果；

步骤5：建立药品库房温湿度预警系统。

2.根据权利要求1所述的基于Temporal_ATT‑Former的药品库房温湿度预测方法，其特征在于，所述步骤1的具体方法为：步骤1.1：对药品库房的各采集点，使用温湿度传感器采集药品库房的第一特征参数TH1，包括温湿度传感器的编号，采集点的位置，温度数据，湿度数据，采集的时间序列，报警信息；

步骤1.2：预处理第一特征数据，去除重复数据，填补丢失数据，获得第二特征数据TH2，包括采集的时间序列，温湿度数据，报警信息；

步骤1.3：将步骤1.2获得的时间序列的温湿度数据，分别获取每天，每周和每月的周期数据，并且采用零‑均值法对数据进行归一化和标准化处理，得到第三特征数据TH3。

3.根据权利要求1所述的基于Temporal_ATT‑Former的药品库房温湿度预测方法，其特征在于，所述步骤3的具体方法为：步骤3.1：划分数据集，将步骤1中预处理后的药品库房的温湿度数据集TH3按照一定的比例划分训练集和测试集，分别表示为train，test；

步骤3.2：设置训练轮次epoch以及批处理的轮次batch；

步骤3.3：训练药品库房温湿度预测模型，将train输入Temporal_ATT‑Former网络中进行训练，保存已训练完成的模型。

4.根据权利要求1所述的基于Temporal_ATT‑Former的药品库房温湿度预测方法，其特征在于，所述步骤4的具体方法为步骤4.1：验证Temporal_ATT‑Former模型的性能，加载已保存的模型，将test输入模型得到测试集的预测结果r；

步骤4.2：将模型预测的温湿度r与真实的温湿度值进行比较，计算出平均绝对误差和均方根误差，调整模型的参数，优化网络结构。

5.根据权利要求1所述的基于Temporal_ATT‑Former的药品库房温湿度预测方法，其特征在于，所述步骤5的具体方法为：步骤5.1：药品库房温湿度预警系统包括温湿度采集模块，存储模块，温湿度预测模块，预警模块；

步骤5.2：温湿度采集模块包括药品库房各采集点的温湿度数据，将温湿度数据传输到服务器端；

步骤5.3：存储模块在服务器端，存储温湿度传感器发送的温湿度数据；

步骤5.4：温湿度预测模块包括对温湿度数据的清洗，预处理，归一化和标准化，搭建Temporal_ATT‑Former神经网络，预测给定时间区间的温湿度值并将结果传输到云服务器端；

步骤5.5：预警模块是对云服务器中的温湿度预测结果进行判断，如果大于某一设定的温湿度阀值，则向客户端发出预警信号。