1.一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：包括以下步骤：将近期气象观测数据输入至训练好的气温预测模型，生成气温预测值；

其中，所述气温预测模型包括数据输入模块、编码器、信息蒸馏模块、解码器和预测信号融合单元，所述数据输入模块、编码器和解码器中引入自适应时序分解单元，所述编码器和解码器中引入稀疏注意力机制；

所述气温预测模型的训练方法包括：

获取历史气象观测数据，对历史气象观测数据进行样本划分，形成训练样本集和测试样本集；

从训练样本集中抽取单位训练样本传输至数据输入模块，单位训样本的结构为{输入数据，气温标签值}，对输入数据进行分解，得到季节项数据，将输入数据中气温维度的数值抽取出来并对其取平均值，形成气温均值信号；

将输入数据和季节项数据作线性映射至高维向量空间，并对其加入位置信息编码和时间信息编码，分别形成编码输入数据和编码季节项数据；

将编码输入数据输入至编码器进行编码处理，得到编码信息，再将编码信息输入至信息蒸馏模块进行压缩处理，得到蒸馏信息；

将编码季节项数据和蒸馏信息输入至解码器进行解码处理，得到趋势项和季节项；

将气温均值信号、趋势项和季节项输入至预测信号融合单元进行融合，得到模型预测值；

将模型预测值和气温标签值输入损失函数MSE计算误差，根据误差判断模型是否收敛，当判断模型收敛时，模型训练完成，否则进行迭代训练，对模型参数进行更新，重复单位样本训练过程。

2.根据权利要求1所述的一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：定义单位训练样本的输入数据长度I和气温标签长度O，并基于窗口长度为I+O对历史气象观测数据进行样本划分，训练样本集和测试样本集分别为70％和30％。

3.根据权利要求2所述的一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：将输入数据中气温维度的数值抽取出来并对其取平均值，形成气温均值信号具体包括：将输入数据xen按O的长度进行截取，并根据气温维度具体编号k进行数值抽取，对其取均值后 作为预测信号的初始值，即气温均值信号，该步骤表示为公式(1)：

4.根据权利要求3所述的一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：将输入数据和季节项数据作线性映射至高维向量空间，并对其加入位置信息编码和时间信息编码具体包括：根据设置的I的具体数值，截取季节项数据S前I/2条数据；并根据数值O，添加长度为O的标量0，将两种信号融合得到 该信号作为解码器初始输入信号，以上流程可表示为公式(2)和(3)S,T＝AdaSTL(xen[t‑I/2:t])                            (2)其中：t为时间节点，即预测起始点，Concat为矩阵连接操作，xzero为标量0的占位符，T为趋势项；

将xen和 注入绝对位置编码和时间信息编码，对于序列位置pos和向量编号i，绝对位置编码计算方式如式(4)和(5)所示，xen和 每条记录包含了时间信息，包括年、月、日、时和分钟，如式(6)所示，首先将时间信息归一化，最后Embedding函数将离散的输入序列stackTime转换为连续的向量表示，如式(7)所示，为每条记录提供时间与位置信息编码后，将xen和 分别用Linear函数线性映射至高维向量空间，使其与编码矩阵的形状对应，具体如式(8)和式(9)所示，其中 为编码输入数据， 为编码季节项数据。

5.根据权利要求4所述的一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：编码器对编码输入数据进行编码处理具体包括：设置编码器选择合适的层数N；

将 作为第1层编码器的输入信号，假设本层编码器层号为p，则输出的信号为 该信号同时作为第p+1层编码器的输入信号，依此类推；

假设本阶段在第p层编码器，将输入信号 输入稀疏自注意力机制中，首先如式(10)所示，为输入信号分配3个可学习矩阵W，将X转换后作为稀疏注意力矩阵的查询Q、键K和值V，其次利用残差连接将输入信号 与注意力输出值相加，得到最终的累加值，如式(10)；

将最终的累加值输出至自适应时序分解单元AdaSTL，获取季节项分解结果 抛弃趋势项被抛弃，如式(11)所示：将 输入前馈神经网络FFN，并利用残差连接将 与FFN的输出结果累加，如式(12)所示，得到累加结果；

将累加结果传入自适应时序分解单元AdaSTL，获得季节项分解结果 将 作为本层编码器的输出信号，即编码信息，如式(13)所示：判断p是否小于N：若是，则将 传输至第p+1层编码器，再次进行处理；若不是，则将作为最终的编码信息传输至信息蒸馏模块。

6.根据权利要求5所述的一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：信息蒸馏单元对编码信息进行压缩处理具体包括：定义卷积核长度kernelSize，并利用一维卷积网络conv1D对 进行局部特征获取，得到xconv，如式(14)所示；

利用Relu函数将xconv中的负值转换为零，并保留正值，得到xrelu，如式(15)所示；

使用最大池化层MaxPool对xrelu进行下采样操作，降低数据量，如式(16)所示，最终将编码信息 压缩为蒸馏信息

7.根据权利要求6所述的一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：解码器对编码季节项数据和蒸馏信息进行解码处理，具体包括：设置解码器选择合适的层数M；

假设本层编码器层号为l，则输入信号由 构成，第l层解码器输出信号为将 输入稀疏注意力，并利用残差连接将输出与 累加得到累加结果；

将上一步骤得到的累加结果传入第1个自适应时序分解单元AdaSTL，得到 和传入预测信号融合单元， 继续传输至解码器内部的下一个模块，具体如公式(17)所示：将 和步骤220得到的 传入交叉注意力机制，其中 作为交叉注意力的查询矩阵，作为交叉注意力Cross Attention的键矩阵和值矩阵，交叉注意力机制的输出结果与累加，得到累加值；

将上一步骤得到的累加值传入第2个自适应时序分解单元AdaSTL，得到 和传入预测信号融合单元， 继续传输至解码器内部的下一个模块，如公式(18)所示：将 传入前馈神经网络FFN，将 与FFN输出结果累加，如公式(19)所示，得到累加值；

将上一步骤得到的累加值传入第3个自适应时序分解单元AdaSTL，得到 和传入预测信号融合单元， 则作为本层解码器的输出值 具体如公式(19‑20)所示：判断l是否小于M：若是，则将 传输至第l+1层解码器再次进行信息处理；若不是，则将作为 传输至预测信号融合单元。

8.根据权利要求7所述的一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：预测信号融合单元对将气温均值信号、趋势项和季节项输入进行融合具体包括：预测信号融合单元获取3*M个 1个 和1个均值信号

为每个 和 分配一个多层感知机MLP，提高其非线性表达能，同时将其转换至与预测信号一致形状；

将 所有 和 累加，形成得到模型预测值，即气温预测信号。

9.根据权利要求7所述的一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：编码器和解码器中稀疏自注意力机制构建流程如下：为输入信号X分配3个可学习矩阵W，使用W对X进行转换后形成查询矩阵Q、键矩阵K、值矩阵V，具体如式(21)所示，步骤2，将Qi与所有键向量的点积值除以 使用SoftMax函数归一化为概率分布；

获得Qi所属的注意力分数向量 如式(22)所示，

采用Kullback‑Leibler稀疏性度量法分类查询向量Qi，将稀疏性得分排名前u的查询向量Qi组成稀疏查询矩阵 如式(23)所示，步骤4，对空缺部分使用均值向量 填充，如公式(24)所示，SA(·)为稀疏注意力机制， 为多次填充操作，

10.根据权利要求7所述的一种基于稀疏注意力与自适应时序分解的气温预测方法，其特征在于：编码器和解码器中自适应时序分解单元构建流程如下：构建n种具有不同分解效果的STL单元，通过可学习矩阵w对输入信号x进行线性变换，i随后输入STL时序分解单元，输出季节项和趋势项，具体如公式(25)所示，其中p为STL单元的超参数，i∈{1,...,n}，i i i i

S ,T＝STL(ρ ,xw)                       (25)i i i

根据SoftMax函数分配的权重，将分解项S 、T融合为S、T，具体如公式(26)所示，其中β为权重，

1 n 1 n

β ,...,β＝SoftMax(S ,...S)                     (26)将所有趋势子项和季节子项累加，形成趋势项T和季节项S，最后使用多层感知机MLP增加非线性能力，具体如公式(27)，