1.基于先验知识与数据驱动的环境能见度预测方法，其特征在于，所述方法包括：对历史能见度监测图像进行多项灰度融合处理，得到统计特征，具体包括：

对获取的所述历史能见度监测图像进行灰度图像转化，得到灰度能见度监测图像；

对所述灰度能见度监测图像进行有关灰度特征的灰度值计算，得到多项灰度特征；其中，所述多项灰度特征包括：灰度方差特征、灰度均值特征、灰度四分位数特征、灰度极大值特征、灰度极小值特征以及灰度极差特征；

将所述多项灰度特征进行融合处理，得到统计特征；其中，所述统计特征为12维度特征；

提取所述历史能见度监测图像中的加速稳健特征以及角点检测特征，并将所述统计特征、所述加速稳健特征以及角点检测特征进行维度特征融合，得到先验知识特征；

根据预设的迁移学习特征提取模型，对所述历史能见度监测图像进行全连接层特征向量的提取与降维，确定出数据驱动特征；其中，所述迁移学习特征提取模型为基于MobileNet模型的特征提取模型；

根据所述先验知识特征以及所述数据驱动特征，将所述历史能见度监测图像进行有关时间序列的回归处理；构建并训练得出能见度预测模型，具体包括：对所述历史能见度监测图像进行离散化处理，并基于预设的采样周期，得到离散化监测图像；

提取所述离散化监测图像中的先验知识特征以及数据驱动特征，并将提取出的所述先验知识特征以及所述数据驱动特征进行向量转化处理，得到所述历史能见度监测图像的能见度监测特征向量；其中，所述能见度监测特征向量的矩阵为1×114；

基于所述时间序列以及所述能见度监测特征向量，构建出基于LSTM 层的所述能见度预测模型；其中，所述能见度预测模型的输入为15×114特征矩阵，15为所述时间序列，114为所述能见度监测特征向量；所述能见度预测模型的输出为能见度观测值；所述能见度预测模型包含200个隐含单元的双向 LSTM 层；

通过预设的Adam优化算法，对所述能见度预测模型进行迭代优化训练，得到训练后的能见度预测模型；其中，所述能见度预测模型的最大迭代次数为250，梯度阈值为1，初始学习率为0.005；

通过训练后的所述能见度预测模型，对实时环境检测图像中的实时特征向量进行能见度预测，得到环境能见度预测信息；其中，所述实时特征向量为由先验知识特征与数据驱动特征所确定出的。

2.根据权利要求1所述的基于先验知识与数据驱动的环境能见度预测方法，其特征在于，提取所述历史能见度监测图像中的加速稳健特征以及角点检测特征，包括：通过预设的SURF算法，对灰度转化后的历史能见度监测图像进行加速稳健特征点的计算与标识，并提取所述加速稳健特征点；其中，所述加速稳健特征点包括：特征点强度、特征点横坐标以及特征点纵坐标；

对所述加速稳健特征点进行显著性筛选，得到显著性特征点；其中，所述显著性特征点为显著性强度最强的10个特征点；

将所述显著性特征点进行有关显著性强度排序，生成并提取出所述历史能见度监测图像中的所述加速稳健特征；其中，所述加速稳健特征的特征维度为30维。

3.根据权利要求1所述的基于先验知识与数据驱动的环境能见度预测方法，其特征在于，提取所述历史能见度监测图像中的加速稳健特征以及角点检测特征，还包括：通过预设的Harris算法，对灰度转化后的历史能见度监测图像进行角点检测特征的计算与标识，并提取角点检测特征点；其中，所述角点检测特征点包括：特征点等级、特征点横坐标以及特征点纵坐标；

对所述角点检测特征点进行等级序列的筛选，并确定出高等级特征点；其中，所述高等级特征点为等级序列中等级最高的10个特征点；

将所述高等级特征点进行等级排序，生成并提取出所述历史能见度监测图像中的所述角点检测特征；其中，所述角点检测特征的特征维度为30维。

4.根据权利要求1所述的基于先验知识与数据驱动的环境能见度预测方法，其特征在于，在根据预设的迁移学习特征提取模型，对所述历史能见度监测图像进行全连接层特征向量的提取与降维，确定出数据驱动特征之前，所述方法还包括：通过深度学习的数据驱动算法，对MobileNetV2模型进行预训练，得到训练后的MobileNetV2模型；

将所述训练后的MobileNetV2模型中的全连接层、Softmax层以及分类层进行系数替换；

通过迁移学习算法，对系数替换后的MobileNetV2模型进行图像特征的再训练，得到基于所述MobileNetV2模型下的迁移学习特征提取模型；其中，所述迁移学习特征提取模型的输入为能见度监测图像，输出为所述能见度监测图像的观测值。

5.根据权利要求4所述的基于先验知识与数据驱动的环境能见度预测方法，其特征在于，根据预设的迁移学习特征提取模型，对所述历史能见度监测图像进行全连接层特征向量的提取与降维，确定出数据驱动特征，具体包括：提取所述迁移学习特征提取模型中的第152层全连接层向量，得到所述历史能见度监测图像1×1000矩阵下的特征向量，并作为全连接层特征向量；

通过预设的PCA算法，对所述全连接层特征向量进行降维处理，得到降维特征向量；

对所述降维特征向量进行累计贡献率的保留筛选，确定出所述数据驱动特征；其中，所述数据驱动特征为42维的特征向量。

6.根据权利要求1所述的基于先验知识与数据驱动的环境能见度预测方法，其特征在于，在通过训练后的所述能见度预测模型，对实时环境检测图像中的实时特征向量进行能见度预测，得到环境能见度预测信息之前，所述方法还包括：通过预设的TensoRT优化器，将训练好的所述能见度预测模型转化为边缘计算设备的推理引擎；并将所述推理引擎部署到Jetson系列设备中；

将所述Jetson系列设备与图像监测设备进行通信连接，以进行对实时环境检测图像中的实时特征向量进行能见度预测。

7.根据权利要求6所述的基于先验知识与数据驱动的环境能见度预测方法，其特征在于，通过训练后的所述能见度预测模型，对实时环境检测图像中的实时特征向量进行能见度预测，得到环境能见度预测信息，具体包括：提取所述实时环境检测图像中的先验知识特征、数据驱动特征以及能见度监测特征向量，得到实时环境监测信息；其中，所述能见度监测特征向量的矩阵为1×114，且由向量转化后的先验知识特征以及数据驱动特征所组成；

基于预设采样周期下的时间序列，并通过所述能见度预测模型，对所述实时环境监测信息进行能见度预测，得到所述环境能见度预测信息。

8.基于先验知识与数据驱动的环境能见度预测设备，其特征在于，所述设备包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1‑7任一项所述的基于先验知识与数据驱动的环境能见度预测方法。