1.一种面向全景视频的视点预测方法，其特征在于，包括：

获取目标观众观看全景视频时视点的历史轨迹并转化为热力图；

将目标用户视点的历史轨迹热力图输入seq2seq模型生成初步预测结果；

在专家数据中寻找与目标用户视点的历史轨迹相匹配的相似用户，得到相似用户的未来信息；

将初步预测结果和相似用户的未来信息输入SE‑Unet网络模型，输出用户视点的最终预测结果。

2.根据权利要求1所述的一种面向全景视频的视点预测方法，其特征在于，获取目标观众观看全景视频时视点的历史轨迹并转化为热力图，包括：定义热力图的热值时，目标用户眼睛注视点的热值最高，离注视点越远热值越低，用户视口以外的热值均设为0。

3.根据权利要求1所述的一种面向全景视频的视点预测方法，其特征在于，将目标用户视点的历史轨迹热力图输入seq2seq模型生成初步预测结果，包括：所述的seq2seq模型是基于两个独立的三层ConvLSTM作为编码器‑解码器得到。

4.根据权利要求1所述的一种面向全景视频的视点预测方法，其特征在于，在专家数据中寻找与目标用户视点的历史轨迹相匹配的相似用户，得到相似用户的未来信息，包括：在专家数据中筛选出n个与目标用户视点的历史轨迹相匹配的相似用户，n可根据实际需求进行设置，并根据相似度来分配权重，即相似度越高权重越大，按相应的权重进行加权平均计算得到相似用户的未来信息。

5.根据权利要求1所述的一种面向全景视频视点预测方法，其特征在于，将初步预测结果和相似用户的未来信息输入SE‑Unet网络模型，输出用户视点的最终预测结果，包括：SE‑Unet模型是一个深度学习的网络模型，它由一个编码模块、连接模块和一个解码模块组成。

6.根据权利要求5所述的一种面向全景视频的视点预测方法，其特征在于，SE‑Unet模型是由一个编码模块、连接模块和一个解码模块组成，还包括：编码模块包含三个相同结构块的重复应用，结构块按照先后顺序依次是：一个卷积层和一个正线性单元(ReLU)的组合，一共有两个；紧跟其后是SE‑net模块，它用来学习各个通道之间的重要性；最后是批量标准化层(BN)和最大池化层。

7.根据权利要求5所述的一种面向全景视频的视点预测方法，其特征在于，SE‑Unet模型由一个编码模块、连接模块和一个解码模块组成，还包括：连接模块是连接编码模块和解码模块，它是一层卷积和一个校正线性单元(ReLU)的组合。

8.根据权利要求5所述的一种面向全景视频的视点预测方法，其特征在于，SE‑Unet模型是由一个编码模块、连接模块和一个解码模块组成，还包括：解码模块中包含三个结构块，其中前两个结构块相同，按照顺序依次是：一个将特征通道数量减半的反卷积和校正线性单元(ReLU)的组合，再拼接上编码模块中对应的结构块；

最后一个结构块按照顺序依次是：反卷积、校正线性单元(ReLU)和输入批量标准化层(BN)。

9.一种面向全景视频的视点预测的装置，其特征在于，包括：获取模块，获取目标观众观看全景视频时视点的历史轨迹并转化为热力图；

预测模块，将目标用户视点的历史轨迹热力图输入seq2seq模型生成初步预测结果；

筛选模块，在专家数据中寻找与目标用户视点的历史轨迹相匹配的相似用户，得到相似用户的未来信息；

融合预测模块，将初步预测结果和相似用户信息输入SE‑Unet网络模型，输出用户视点的最终预测结果。

10.一种面向全景视频的视点预测的装置，其特征在于，包括：存储器，用于存储计算机程序以及全景视频传输过程中的缓存数据；

处理器，用于执行所述计算机程序时实现如权利要求1至8任意一项所述的面向全景视频视口预测的步骤；

眼动仪，用于实时地采集目标用户在观看全景视频时眼睛注视点的位置信息。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任意一项所述的面向全景视频的视点预测方法的步骤。