1.一种电动汽车充电桩充电时长预测方法，其特征在于，具体包括以下步骤：S1：接收服务器发送的预测充电桩充电时长的指令，从服务器接收历史充电桩充电时长数据并进行存储；

S2：根据存储的历史充电桩充电时长数据构建充电桩充电时长张量；

S3：根据平充电桩充电时长张量构建充电桩充电时长预测目标损失函数，并进行迭代优化，输出充电桩充电时长预测值；

所述S3包括：

S3‑1：初始化充电桩充电时长预测过程中所涉及的过程参数；

S3‑2：根据充电桩充电时长张量和过程参数构建充电桩充电时长预测目标损失函数；

所述S3‑2中，充电桩充电时长预测目标损失函数ε的表达式为:公式(1)中，D、H、P表示隐特征矩阵；(i,j,k)∈Γ表示在张量T中包含的已知元素的下标；tijk表示充电桩充电时长张量T中已知实体即第k个充电桩在第i天的第j个小时段的充电时长值；R表示三个隐特征矩阵的列数；ωr表示隐特征矩阵控制参数；dir表示天数隐特征矩阵D中第i行第r列的值；hjr表示小时段隐特征矩阵H中第j行第r列的值；pkr表示时长隐特征矩阵P中第k行第r列的值；λd、λh、λp表示正则化参数；β表示swish函数的参数；

S3‑3：对充电桩充电时长预测目标损失函数进行迭代优化；

所述S3‑3中，迭代优化的公式为：

公式(2)中， 表示隐特征矩阵D中第i行第r列的元素在第n轮训练时的值； 表示隐特征矩阵D中第i行第r列的元素在第n‑1轮训练时的值； 表示隐特征矩阵H中第j行第r列的元素在第n轮训练时的值， 表示隐特征矩阵H中第j行第r列的元素在第n‑1轮训练时的值； 表示隐特征矩阵P中第k行第r列的元素在第n轮训练时的值， 表示隐特征矩阵P中第k行第r列的元素在第n‑1轮训练时的值； 表示根据隐特征矩阵的充电时长估计值；γd、γh、γp分别表示隐特征矩阵D、H、P对应的动量控制参数；j,k:(i,j,k)∈Φ表示张量S中第i个维度的切片矩阵中包含元素的所有下标；i,k:(i,j,k)∈Φ表示张量S中第j个维度的切片矩阵中包含元素的所有下标；i,j:(i,j,k)∈Φ表示张量S中第k个维度的切片矩阵中包含元素的所有下标；

S3‑4：判断目标损失函数的迭代过程是否达到迭代终止条件，若是则终止，若否则继续迭代；

S3‑5：计算充电桩充电时长预测值。

2.如权利要求1所述的一种电动汽车充电桩充电时长预测方法，其特征在于，所述S1中，历史充电桩充电时长数据以四元组的形式进行存储，四元组表示形式为Q＝(d,h,p,t)，其中，d表示请求充电桩订单数据的历时天数，h表示每日充电桩充电的小时时间段，p表示用户使用的充电桩ID，t表示充电桩p号在第d天中第h小时段的充电时长。

3.如权利要求1所述的一种电动汽车充电桩充电时长预测方法，其特征在于，所述S2中，充电桩充电时长张量的构建方法为：S2‑1：将所有的四元组Q＝(d,h,p,t)按照充电桩ID号p划分为K个切片，运用p＝1的四(1) (1) (1) (1)元组Q ＝(d,h,1,t)，运用Q 的数据(d,h,t)构造切片矩阵P ，P 的大小为I行，J列，矩(1)阵中的元素P ij表示充电桩1号在第i天中的第j小时段的充电时长，其中d为该订单日期的(2)天数，h为该订单日期的当天小时段,1≤i≤I，1≤j≤J；依次类推，可构建切片矩阵P 、P(3) (K)、...、P ；

S2‑2：用K个切片矩阵在三维空间中根据划分的K个充电桩ID由小到大依次从前到后排I×J×K列构造充电桩充电时长张量T∈R ，R表示实数集，用已知数据集合Γ表示充电桩充电时长张量T所有数据组成的集合。

4.如权利要求1所述的一种电动汽车充电桩充电时长预测方法，其特征在于，所述S3‑1中，过程参数包括初始化充电桩充电时长张量T，隐特征矩阵D、H、P，隐特征维数R，最大训练迭代轮数L，训练过程中迭代轮数控制变量n，收敛终止阈值τ，隐特征矩阵控制参数ωr，正则化因子λd、λh、λp，参数β；

其中：

隐特征维数R决定了隐特征矩阵D、H、P的隐特征空间维数，初始化为正整数；

隐特征矩阵D、H、P的大小由对应的充电桩充电时长数据张量T的每个维度值和隐特征维数R确定，即D为I行R列的隐特征矩阵、H为J行R列的隐特征矩阵、P为K行R列的隐特征矩阵；

隐特征矩阵控制参数ωr控制隐特征矩阵D、H、P的第r列在迭代过程中的权重，初始化为(0,1)之间值；

最大训练迭代轮数L是控制迭代过程上限的变量；

迭代轮数控制变量n初始化为1；

收敛终止阈值τ是判断迭代过程是否已收敛的参数；

正则化参数λd、λh、λp和参数β是控制提取迭代过程中，对应隐特征矩阵D、H、P相关元素的正则化效应的常数，初始化为正数。

5.如权利要求1所述的一种电动汽车充电桩充电时长预测方法，其特征在于，所述S3‑4中，充电桩充电时长预测值 的计算公式为：公式(3)中， 表示充电桩充电时长预测值，dir表示天数隐特征矩阵D中第i行第r列的值；hjr表示小时段隐特征矩阵H中第j行第r列的值；pkr表示时长隐特征矩阵P中第k行第r列的值；R表示三个隐特征矩阵的列数，n表示迭代轮数控制变量。

6.一种电动汽车充电桩充电时长预测装置，用于执行权利要求1‑5任一项所述的电动汽车充电桩充电时长预测方法，其特征在于，包括数据接收模块、数据存储模块、张量构造模块和预测模块；其中，数据接收模块，用于从服务器接收历史充电桩充电时长数据；

数据存储模块，用于存储历史充电桩充电时长数据和预测模块输出的充电桩充电时长预测值；

张量构造模块，用于根据历史充电桩充电时长数据构造充电桩充电时长张量；

预测模块，用于根据充电桩充电时长张量构建目标函数并进行迭代优化，输出充电桩充电时长预测值。

7.如权利要求6所述的一种电动汽车充电桩充电时长预测装置，其特征在于，所述预测模块包括初始化单元、训练单元和计算单元；

初始化单元，用于初始化充电桩充电时长预测过程中所涉及的过程参数；

训练单元，用于结合构造的充电桩充电时长张量和已初始化的过程参数构建充电桩充电时长预测目标函数并进行迭代训练；

计算单元，用于根据目标函数的迭代参数计算充电桩充电时长预测值。