1.一种融合多源因素的传感器数据长时预测的方法，其特征在于，包括如下步骤：S1、采集传感器数据，并对采集后的数据进行缺失填充与归一化处理，确定目标数据和多源因素；

S2、分析目标数据与多源因素动态关系，提取特征并构建目标数据与多源因素间的动态相关性；

S3、通过LSTM网络更新多源因素编码器中的隐层状态数据；

S4、将隐层状态数据进行频域分解，选取频域数据以减少多源因素序列冗余并保留其时序特征；

S5、构建历史时序数据与当前时间步数据的时序相关性，实现时间点之间的关系强化，并更新时序解码器中的隐层数据；

S6、根据多源因素编码器时序解码器中隐层状态数据与测试集中的数据信息，通过全连接层来获取最终的目标数据长时预测结果。

2.如权利要求1所述的融合多源因素的传感器数据长时预测的方法，其特征在于，所述步骤S1包括：将采集的传感器数据进行目标数据确定为{k1，t}，并初步分析其多源因素{k2，t，k3，t，...，kM，t}，通过插值法对数据进行补全，并对数据进行归一化处理，其表示如下：其中，ft代表的是每一个数据，fmin代表的是整个数据的最小值，fmax代表的是整个数据的最大值。

3.如权利要求1所述的融合多源因素的传感器数据长时预测的方法，其特征在于，所述步骤S2包括：将目标数据{k1，t}与多源因素数据{k2，t，k3，t，...，kM，t}通过双层卷积操作提取多源因素特征:Xm，t＝Conv2(Conv1({k1，t}，{k2，t，k3，t，...，kMtt}))其中，Ctnv2(·)，Conv1(·)代表的是卷积操作，其卷积核的大小为1，将目标数据与多源因素数据相融合形成包括所有特征因素信息的深度特征序列。

4.如权利要求1所述的融合多源因素的传感器数据长时预测的方法，其特征在于，所述步骤S2还包括：在不同的时间步内计算出不同的相关性系数，通过tanh函数计算上一时间步的隐层状态qt‑1与多源因素特征Xm，t的动态相关性em，t：其中， W1，U1皆为可以学习的参数，b1是偏置权重；

然后，通过归一化的方式衡量相关性分数的重要性，运用Softmax函数对动态相关性系数归一化获取，使其所有权重值加起来等于1：最后，将归一化后的系数αm，t与原始时间Xm，t进行加权计算获取加权相关性系数其中，⊙代表哈达玛积，将加权后的相关性系数在隐层状态中进行更新，t

qt＝F1(qt‑1，K)

其中，F1是解码器的LSTM网络函数。

5.如权利要求1所述的融合多源因素的传感器数据长时预测的方法，其特征在于，所述对目标数据与多源因素数据进行频域分解时，对编码器输出的隐层序列数据qt进行一维离散傅里叶变换得到频域序列f(qt)，将时序序列转换为频域序列如下所示：其中，i为虚数单位；

对傅里叶分量高斯分布选取得到频域序列 表示为如下形式：其中，GSelect代表高斯分布随机选取，设置上下限为[‑1,1]，数学期望为0，方差为1产生随机的高斯分布矩阵。

6.如权利要求5所述的融合多源因素的传感器数据长时预测的方法，其特征在于，所述步骤S5中，根据所述序列τt和隐层状态ht‑1，获取历史时间序列对当前时间步的权重系数li，t；

运用Softmax函数对em，t权重参数归一化，使其所有权重值加起来等于1；

将隐层状态信息hn与时间注意权重βn，t进行加权获得向量ct；

将获取的ct权重信息与给定目标序列(y1，y2，...，yT‑1)结合：y′t＝W3[yt；ct]+b3

其中，[yt；ct]为yt与ct联合的向量，W3和b3皆为前馈神经网络的权重参数。

7.如权利要求1所述的融合多源因素的传感器数据长时预测的方法，其特征在于，步骤S4中，将cT与hT的联合向量[cT；hT]输入至全连接层，获取最终的预测结果其中， W4皆为可以学习的参数，b4tb5为偏置权重。

8.一种融合多源因素的传感器数据长时预测的装置，其特征在于，包括：数据采集及处理模块，用于采集传感器数据，并对采集后的数据进行缺失填充与归一化处理，确定目标数据和多源因素；

深度特征注意力模块，用于分析目标数据与多源因素动态关系，提取特征并构建目标数据与多源因素间的动态相关性；

多源因素编码器，用于通过LSTM网络更新多源因素编码器中的隐层状态数据；

频域分解模块，用于将多源因素编码器中的隐层状态数据进行频域分解，通过高斯选取的方式选取频域数据以减少多源因素序列冗余并保留其时序特征；

时间注意力模块，用于构建历史时序数据与当前时间步数据的时序相关性；

时序解码器，用于通过LSTM网络更新时序解码器中的隐层状态数据；

预测模块，用于根据多源因素编码器时序解码器中的隐层状态数据与测试集中的数据信息，通过全连接层来获取最终的目标数据长时预测结果。

9.如权利要求8所述的预测装置，其特征在于，所述多源因素编码器用于将目标数据与多源因素数据输入至深度特征注意力模块，通过双层卷积神经网络将目标数据与多源因素数据融合生成深度特征序列。

10.如权利要求8所述的预测装置，其特征在于，所述时序解码器包括：将包括目标数据与多源因素权重的隐层状态输入频域分解模块中，通过离散傅里叶变换转换为频域数据，通过高斯随机选取傅里叶分量，并进行零填充补充频域信息，后通过逆离散傅里叶变换转换为时序数据；将时序数据输入时间注意力模块，获得历史时间序列与当前时间步的权重。