1.一种IoT观测数据的在线学习方法，其特征在于，包括：根据获取的初始时序观测数据，初始化在线深度学习模型；

实时获取传感器生成的时序观测数据，根据时序观测数据形成输入数据流；

所述在线深度学习模型处理输入数据流，以生成并输出最终预测结果；

在处理输入数据流的过程中，对输入数据流进行即时学习，实时动态更新在线深度学习模型；

所述即时学习，是基于数据流的均值和方差，学习数据分布，构造准正态分布，重构新的样本，实现变分注意力网络，基于分布差异、重构差异和推理差异，进行模型的动态调整；

所述在线深度学习模型，包括编码器、解码器和结果融合模块，以数据流为输入，输出对下一时刻数据值的预测；

所述编码器，执行两部分操作：

（1）提取隐藏层间的隐藏信息，输入到结果融合模块，进行最终预测值的计算；

（2）以标准正态分布作为目标，编码隐藏信息，通过重参数化设置，输出满足准正态分布的均值 与标准差 ；

所述构造准正态分布，具体为：

编码器尝试将样本携带的所有特征信息的分布转码为准正态分布，尽管准正态分布是以标准正态分布作为目标来编码的，但它通常不能被编码成标准正态分布，这里称该标准正态分布为潜在分布；在该过程中，编码器直接输出满足准正态分布的均值 与标准差作为编码结果，也即，在编码处理中生成的均值 与标准差 ，不是通过均值或标准差定义来计算的，而是直接从编码器输出的；

为保证编码器输出的均值 与标准差 满足标准正态分布，在损失函数中设置惩罚项，一旦基于均值和标准差所反馈的准正态分布和标准正态分布有差异，模型将会受到惩罚机制的影响而做出进一步调整；

因此，在实际的算法操作流程中，编码器负责输出均值和标准差，损失函数确保平均值和标准差符合某种准正态分布，这就等价于将原始数据向准正态分布的方向编码，再输出该准正态分布的均值与标准差，并随机采样生成数据 进行后续的解码器操作；

与此同时，为保证采样数据 的概率分布符合输入样本，首先需要假设存在一个 关于X的后验概率P(Z|X)，并进一步假设这个概率分布是正态分布： ，那么采样数据 的概率分布P(Z)为：

因此，P(Z)先验分布和 后验分布都符合标准正态分布；

此外，从标准正态分布 中随机选择样本 ，并将该样本输入解码器；由于这个过程中存在随机采样，使得架构中的梯度信息流是断裂的，反向传播无法通过传统的链式法则进行，因此，设计使用独特的重参数化技巧来完成模型的反向传播，以满足典型神经网络的特性；在重参数化中，采用随机抽样的方法生成一组满足正态分布的变量，从 中取样z，等同于从 中采样ε，然后令 ，因此，应用梯度下降法；最后，解码器对z进行解码，并输出样本x的重构数据；

在编码器的编码阶段，计算每个输入样本 的均值 与方差 ，用来构造准正态分布；

所述在线深度学习模型的损失函数，通过三个损失的加权融合，衡量最终预测值与真实值之间的差异：（1）重构损失 ，衡量真实值和重构值之间的差异，具体公式为：其中， n表示样本个数， x表示原始值， 表示重构值；

（2）KL损失，衡量准正态分布与标准正态分布之间的差异，具体公式为：其中， 代表每个维度生成的均值和方差，k是均值 与方差 的维度数；

（3）预测损失 ，衡量真实值与当前预测值之间的差异，具体公式为：其中，y是真实值，是预测值，  代表t时刻的预测瞬时损失函数。

2.如权利要求1所述的一种IoT观测数据的在线学习方法，其特征在于，所述解码器，从编码器生成的准正态分布中，随机选择样本，输出与数据流的原始特征结构一致的数据。

3.如权利要求1所述的一种IoT观测数据的在线学习方法，其特征在于，所述结果融合模块，将编码器提取的多个特征进行加权融合，得到当前预测值；

其中，权重用于动态调整每个隐藏层的贡献度，通过变分注意力网络，在每次输入样本处理后，实时计算每个隐藏层的权重。

4.如权利要求3所述的一种IoT观测数据的在线学习方法，其特征在于，所述变分注意力网络，根据编码器中每个隐藏层之间的关系以及每个子结构的必要程度，计算每个隐藏层的权重。

5.一种IoT观测数据的在线学习系统，其特征在于，包括初始化模块、获取模块、预测模块和学习模块：初始化模块，被配置为：根据获取的初始时序观测数据，初始化在线深度学习模型；

获取模块，被配置为：实时获取传感器生成的时序观测数据，根据时序观测数据形成输入数据流；

预测模块，被配置为：所述在线深度学习模型处理输入数据流，以生成并输出最终预测结果；

学习模块，被配置为：在处理输入数据流的过程中，对输入数据流进行即时学习，实时动态更新在线深度学习模型；

所述即时学习，是基于数据流的均值和方差，学习数据分布，构造准正态分布，重构新的样本，实现变分注意力网络，基于分布差异、重构差异和推理差异，进行模型的动态调整；

所述在线深度学习模型，包括编码器、解码器和结果融合模块，以数据流为输入，输出对下一时刻数据值的预测；

所述编码器，执行两部分操作：

（1）提取隐藏层间的隐藏信息，输入到结果融合模块，进行最终预测值的计算；

（2）以标准正态分布作为目标，编码隐藏信息，通过重参数化设置，输出满足准正态分布的均值 与标准差 ；

所述构造准正态分布，具体为：

编码器尝试将样本携带的所有特征信息的分布转码为准正态分布，尽管准正态分布是以标准正态分布作为目标来编码的，但它通常不能被编码成标准正态分布，这里称该标准正态分布为潜在分布；在该过程中，编码器直接输出满足准正态分布的均值 与标准差作为编码结果，也即，在编码处理中生成的均值 与标准差 ，不是通过均值或标准差定义来计算的，而是直接从编码器输出的；

为保证编码器输出的均值 与标准差 满足标准正态分布，在损失函数中设置惩罚项，一旦基于均值和标准差所反馈的准正态分布和标准正态分布有差异，模型将会受到惩罚机制的影响而做出进一步调整；

因此，在实际的算法操作流程中，编码器负责输出均值和标准差，损失函数确保平均值和标准差符合某种准正态分布，这就等价于将原始数据向准正态分布的方向编码，再输出该准正态分布的均值与标准差，并随机采样生成数据 进行后续的解码器操作；

与此同时，为保证采样数据 的概率分布符合输入样本，首先需要假设存在一个 关于X的后验概率P(Z|X)，并进一步假设这个概率分布是正态分布： ，那么采样数据 的概率分布P(Z)为：

因此，P(Z)先验分布和 后验分布都符合标准正态分布；

此外，从标准正态分布 中随机选择样本 ，并将该样本输入解码器；由于这个过程中存在随机采样，使得架构中的梯度信息流是断裂的，反向传播无法通过传统的链式法则进行，因此，设计使用独特的重参数化技巧来完成模型的反向传播，以满足典型神经网络的特性；在重参数化中，采用随机抽样的方法生成一组满足正态分布的变量，从 中取样z，等同于从 中采样ε，然后令 ，因此，应用梯度下降法；最后，解码器对z进行解码，并输出样本x的重构数据；

在编码器的编码阶段，计算每个输入样本 的均值 与方差 ，用来构造准正态分布；

所述在线深度学习模型的损失函数，通过三个损失的加权融合，衡量最终预测值与真实值之间的差异：（1）重构损失 ，衡量真实值和重构值之间的差异，具体公式为：其中， n表示样本个数， x表示原始值， 表示重构值；

（2）KL损失，衡量准正态分布与标准正态分布之间的差异，具体公式为：其中， 代表每个维度生成的均值和方差，k是均值 与方差 的维度数；

（3）预测损失 ，衡量真实值与当前预测值之间的差异，具体公式为：其中，y是真实值，是预测值，  代表t时刻的预测瞬时损失函数。

6.一种电子设备，其特征是，包括：

存储器，用于非暂时性存储计算机可读指令；以及

处理器，用于运行所述计算机可读指令，

其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1‑4任一项所述的方法。

7.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1‑4任一项所述方法的指令。