1.基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，包括如下步骤：获取历史承载网流量序列数据；

采用滑动窗口技术，将历史承载网流量序列数据进行划分为多个子窗口，对每个子窗口的序列数据进行转换，得到多种类型的网络流量时间序列；

采用格拉米差分角场序列成像技术，将多种类型的网络流量时间序列转换为二维图片，将多种类型的二维图片融合得到格拉米差分角场图片集；

根据格拉米差分角场图片集和训练后的预测模型得到下一时刻的网络的承载量，其中，在预测模型的单元向单元流动中添加模糊控制机制，根据模糊控制信息对预测模型进行子空间重构。

2.如权利要求1所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，所述网络流量时间序列的类别包括原始值序列、差值序列、增长熵序列以及标准差序列。

3.如权利要求2所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，所述增长熵序列的获取过程包括：选取子窗口的序列，对子窗口序列进行增长重构，对子窗口序列进行一节差分，得到差分序列数据；

确定子窗口序列长度和嵌入维度对差分序列数据进行重构，生成多个子序列；

根据每个子序列求得其对应的模式向量，根据模式向量出现的频率计算窗口序列的增长熵。

4.如权利要求1所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，将网络流量标准差序列的转换为二维图片的过程包括：根据缩放公式将差值序列中的每个元素缩放；

将缩放后的差值数据编码为角余弦，并将序列中的每个元素的时间戳除以正则化常数因子的值作为半径，经过转换将直角坐标系下的差值数据转换为极坐标下的差值序列；

根据在极坐标下的差值序列，结合差值序列中每个点的三角和或三角差的关系，采用角度透视定义来得到格拉米差分角场图片。

5.如权利要求1所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，所述预测模型采用ConvLSTM神经网络模型。

6.如权利要求1所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，所述模糊控制机制为：以网络流量时间序列的增长熵和波动程度作为两个控制参考因素，根据格拉米差分角场图片的二维高斯函数获得模糊控制信息。

7.如权利要求5所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，所述根据模糊控制信息对预测模型进行子空间重构包括：在原始模型中的输入门进行了子空间重构，添加了历史承载网网络流量序列数据的增长熵和标准差两个指标的信息，所述两个指标的信息为经过二维高斯函数平滑处理过的模糊数据。

8.基于模糊控制与多特征融合的承载网流量预测系统，其特征在于，包括：数据获取模块，被配置为：获取历史承载网流量序列数据；

数据预处理模块，被配置为：采用滑动窗口技术，将历史承载网流量序列数据进行划分为多个子窗口，对每个子窗口的序列数据进行转换，得到多种类型的网络流量时间序列；

采用格拉米差分角场序列成像技术，将多种类型的网络流量时间序列转换为二维图片，将多种类型的二维图片融合得到格拉米差分角场图片集；

网络流量预测模块，被配置为：根据格拉米差分角场图片集和训练后的预测模型得到下一时刻的网络的承载量，其中，在预测模型的单元向单元流动中添加模糊控制机制，根据模糊控制信息对预测模型进行子空间重构。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑7中任一项所述的基于模糊控制与多特征融合的承载网流量预测方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑7中任一项所述的基于模糊控制与多特征融合的承载网流量预测方法中的步骤。