1.一种基于时间卷积网络的运动心率预测方法，其特征在于，包括以下步骤：步骤1：采集学生运动过程中心率及经纬度的历史数据，进行运动速度及加速度数据转化、异常值处理，并对其做归一化处理及数据集划分；

步骤2：构建时间卷积神经网络模型，使用划分后的训练数据集训练神经网络模型，利用测试数据集选取预测结果最好的模型进行保存；

所述步骤2中的神经网络模型，其整体结构包括：两级时间卷积网络的叠加及输出层，时间卷积网络中又包含多个残差块；

步骤2的具体步骤为：

2.1）将速度数据 、加速度数据 、起始时刻到T时刻的时间信息 作为输入数据的三个维度，依次经过膨胀卷积层、批量归一化层、ReLU激活层和丢弃层，其中膨胀卷积用如下公式表示：；

其中， 代表膨胀率， 代表大小为 的滤波器， 代表一维序列输入， 代表某个序列元素；

2.2）在由两层膨胀率相同的卷积结构组成的残差块内进行跳层连接，使用1×1卷积与膨胀卷积层的输出结果进行合并：；

其中， 代表输入， 代表卷积模块的输出， 是激活函数；

2.3）经过多个残差块后，得到前级时间卷积网络的输出，作为后级相同结构时间卷积网络的输入，最后通过全连接层，得到预测结果；

2.4）使用平均绝对误差损失函数计算预测结果与归一化后的真实心率数据的损失，通过Adam算法更新时间卷积网络模型的参数；

2.5）当损失值较小且趋于稳定时停止模型迭代，调节时间卷积网络模型的学习率、丢弃率，观察模型性能变化，从而获取模型的最优参数进行保存，即为训练好的时间卷积网络模型；

步骤3：采集近期学生运动的心率及经纬度数据，进行预处理后，输入训练好的神经网络模型，对模型输出值进行逆归一化后得到运动心率预测结果。

2.根据权利要求1所述的一种基于时间卷积网络的运动心率预测方法，其特征在于，步骤1的具体步骤为：

1.1）采集的学生运动历史数据，为时间序列数据类型，采集频率为1s；学生在运动过程中，佩戴并开启手环心率采集功能，采集运动过程中的心率数据；通过智能应用记录运动，采集运动过程中的实时经纬度位置信息；

1.2）使用获取到的经纬度信息推导出相应的速度及加速度序列；对得到的速度及加速度序列进行卡尔曼滤波的处理；对于心率数据依据每秒心率的最大上下波动阈值来判定数据是否存在异常，若存在异常则删除该时间点的心率；而对于缺失或者需要多维度对齐的数据，使用插值法进行填充；

1.3）对预处理后的数据集进行时间步长的统一，对于不足设定时间步长的数据进行零填充操作，对超过设定时间步长的数据进行裁剪操作；

1.4）对数据集中的速度、加速度及心率时间序列做归一化处理；

1.5）根据比例将数据集随机划分为训练集和测试集。

3.根据权利要求1所述的一种基于时间卷积网络的运动心率预测方法，其特征在于，所述步骤3的具体步骤为：

3.1）选取待预测的经纬度数据进行步骤1所述的预处理，得到速度及加速度时间序列；

3.2）将预处理后的数据输入步骤2中训练好的时间卷积神经网络模型，得到模型输出；

3.3）将模型输出逆归一化，得到预测的心率结果。