1.一种基于图神经网络的长时间序列分类方法，其特征在于，包括：步骤S1：采集样本数据集，设定分段数并将时间序列数据分段；

步骤S2：设定时间序列中各分段对应网络图的初始邻接矩阵，且各条时间序列的相同分段共享对应邻接矩阵，将每段时间序列数据分别转换为对应的网络图数据；

步骤S3：采用图神经网络对分段时间序列对应的网络图数据进行特征提取，并同步更新各分段时间序列对应网络图的邻接矩阵，得到每段时间序列数据的局部特征向量；

步骤S4：采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到最终的各分段时间序列数据的特征向量；

步骤S5：融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；

步骤S6：调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤S2‑步骤S5步骤至分类效果最佳；

步骤S1具体包括：

步骤S1.1：建立样本数据集，所述样本数据集包括，各个时间点及各个时间点对应的单个或多个采样值；

步骤S1.2：设定分段数n，将长为L的时间序列数据等间隔切分，每段长度向下取整，定为l＝[L/n]；

步骤S2中，预设视野窗w参数，初始化设定时间序列中各分段对应网络图的邻接矩阵，且各条时间序列的各分段共享对应邻接矩阵，将每段时间序列数据分别转换为对应的网络图数据，将单条时间序列数据转换得到的网络图数据的集合记为其中，时间序列的时间点映射成网络图的节点，每个时间点的单个或F个采样值作为其对应节点的特征，G为网络图，Xl×F l×l∈R 表示为网络的节点特征，A∈R 表示为网络图的邻接矩阵；

步骤S3具体包括：

步骤S3.1：每段时间序列对应的网络图依次通过相同层数的图神经网络，更新节点特征作为每段时间序列的局部特征提取，其中，第i段时间序列对应网络图的第m层的节点特征为 各分段对应网络图经过m层GNN更新后网络图集合为(m)

其中网络节点特征X ∈

l×h

R ，且其维度h自行调节指定；

(m)

步骤S3.2：采用全局累加池化，将网络节点特征X 累加池化为 作为各分段的局部特征向量，其集合记为步骤S4具体包括：

步骤S4.1：将上述各分段时间序列的局部特征向量以垂直形式进行拼接，得到局部特征矩阵 其中 表示垂直拼接；

n×h

步骤S4.2：采用循环神经网络对局部特征矩阵Φ∈R 进行全局特征提取，Φ经过多层n×hRNN后得到最终的特征矩阵Φ'∈R ，其中Φ'＝RNN(Φ)。

2.如权利要求1所述的基于图神经网络的长时间序列分类方法，其特征在于，所述步骤S2中，初始化各分段对应网络图邻接矩阵及网络图构建的过程如下，设Y＝{yi}i＝1,2,...,l为F一分段长度为l的时间序列，w为可视窗大小，每个时间点有F个观测值，即yi∈R；先将该分段时间序列中的每个时间点对应到网络中的每个节点，根据可视窗w大小，将每个节点与其相邻w个节点建立连边，每条连边初始化权重为1，即并将A设置为可学习参数，在模型训练过程中不断迭代更新。