1.一种通用交通气象短临预报方法，其特征在于，包括：基于预报目标及预报时效，获取交通气象站管理系统中的观测数据；

将所述观测数据，输入到预先训练好的通用交通气象短临预报模型，得到预报目标数值，根据预报目标数值确定交通安全综合等级；

所述训练好的通用交通气象短临预报模型的处理过程，包括：将所述观测数据进行特征的基础处理，得到基础特征；

结合交通气象学领域知识，对所述基础特征进行扩展，生成通用特征空间；

将所述通用特征空间输入到由多层inception结构连接而成的一维卷积神经网络层，用于提取不同时间间隔内的时间序列信息；

将所述inception结构提取后的所述时间序列信息进行汇总拼接，使用并行的平均池化运算和最大池化运算进行融合处理，并将融合后的信息与即时信息组合生成预报知识库；

基于所述预报知识库完成对所述预报目标的预测，得到预报目标数值；

其中，基于预报知识库完成对所述预报目标的预测，并将预测所得的预报目标数值转换为预报目标等级，进而综合得到交通安全综合等级指数，表示为：；

式中，Value为预报目标的数值，L( )为线性层，r表示ReLU激活函数，Info为预报知识库；

Leveli为第i个预报目标的真实等级，aimi为第i个预报目标， Valuei为第i个预报目标的真实数值，standard为高速公路交通气象条件等级中预报目标的对应分级标准；

Output为交通安全综合等级指数，Max为取最大值运算；

所述通用交通气象短临预报模型采用自定义损失函数，作为该模型训练的评价策略，以训练得到优化模型参数；

所述自定义损失函数包括重要性评估和惩罚项，表示为：；

式中，importance为重要性评估，penalty为惩罚项；α为控制重要性和惩罚项数量级一致的系数，表示为：；

所述重要性评估表示为：

；

式中， 表示第i个预报目标的预测值，n为样本总数；

所述惩罚项表示为：

；

式中， 表示第i个预报目标的预测等级。

2.根据权利要求1所述的通用交通气象短临预报方法，其特征在于，所述观测数据表示为：base=Extract(aim,T)；

其中，base为维度[tbasic,cbasic]的数组，tbasic为输入的初始时间序列长度，cbasic为输入的基础特征数；aim为预报目标；T为预报时效，单位：小时；Extract表示数据提取过程。

3.根据权利要求2所述的通用交通气象短临预报方法，其特征在于，所述交通气象学领域知识包括：交通气象机理、预报员经验及历史气象事件；

所述基础特征包括：能见度L，气温Ta，相对湿度RH，降雨强度R，瞬时风速ws，两分钟平均风速ws‑2，十分钟平均风速ws‑10，瞬时风向wd，两分钟平均风向wd‑2，十分钟平均风向wd‑10，路面温度Ts及10cm路基温度Ts‑10cm；

将所述观测数据进行特征的基础处理包括所述能见度进行最大最小值归一化转换及所述平均风向进行弧度制转换；

对基础特征进行扩展，生成通用特征空间，表示为：X=F (base)；

其中，X为输出的通用特征空间，是维度[cgeneral,tgeneral]的张量，cgeneral为输出的通用特征数，tgeneral为输出的时间序列长度；F为特征计算过程；base为输入的基础观测数据；

经扩展得到的特征包括：湿度能见度指数V，露点温度Td，水汽压E，温度露点差Ta‑d，感热通量H，下垫面温度差Ts‑10，下垫面传热通量G，路气温度差Ts‑a，两分钟风速波动ws‑2’，两分钟风向波动wd‑2’， 十分钟风速波动ws‑10’，十分钟风向波动wd‑10’以及气象综合参数CI。

4.根据权利要求3所述的通用交通气象短临预报方法，其特征在于，所述一维卷积神经网络层由k层inception结构连接而成，且所述inception结构的每一层均包括两个分支，用于提取不同时间间隔内的时间序列信息，所述时间序列信息包括全序列信息及子序列信息；

第一分支经激活函数处理后，提取得到所述全序列信息；

第二分支经激活函数处理后，提取得到所述全序列信息中一段时间间隔内的所述子序列信息，并将所述子序列信息运用平均池化层和最大值池化层进行融合，传输给所述inception结构的下一层。

5.根据权利要求4所述的通用交通气象短临预报方法，其特征在于，第k层的inception结构表示为：；

；

其中， 为第k层inception结构的第一支分支输出的全序列信息， 为第k层inception结构的第二支分支输出的融合过的子序列信息； 为第一分支的卷积层运算，Conv1d为第二分支的卷积层运算； 和 表示第二分支中并行的平均池化运算层和最大池化运算层； 表示矩阵拼接过程；

为所述inception结构的第k层输入，引用所述通用特征空间，得到所述inception结构第一层的输入；

最后一层的inception结构表示为：；

；

其中， 为倒数第二层inception第二支的输出； 为最后一层inception结构的第一支分支输出， 为最后一层inception结构的第二支分支输出； 为第一分支的卷积运算。

6.根据权利要求5所述的通用交通气象短临预报方法，其特征在于，将所述inception结构提取后的所述时间序列信息进行汇总拼接，表示为：；

其中，IE为汇总后的时间序列信息；

所述预报知识库，表示为：

；

其中，t0为当前时刻的即时特征信息。

7.一种通用交通气象短临预报装置，其特征在于，包括：数据获取模块，被配置用于，基于预报目标及预报时效，获取交通气象站管理系统中的观测数据；

特征处理及扩展模块，被配置用于，结合交通气象学领域知识，对所述观测数据进行特征的基础处理，得到基础特征，并对所述基础特征进行扩展，生成通用特征空间；

历史信息提取模块，被配置用于，将所述通用特征空间输入到由多层inception结构连接而成的一维卷积神经网络层，用于提取不同时间间隔内的时间序列信息；

历史信息融合模块，被配置用于，将所述inception结构提取后的所述时间序列信息进行汇总拼接，使用并行的平均池化运算和最大池化运算进行融合处理，并将融合后的信息与即时信息组合生成预报知识库；

预报综合处理模块，被配置用于，基于所述预报知识库完成对所述预报目标的预测，得到预报目标数值；

模型评价策略模块，被配置用于，采用自定义损失函数，作为通用交通气象短临预报模型训练的评价策略，以训练得到优化模型参数；

以及，预测输出模块，被配置用于，将所述观测数据，输入到预先训练好的通用交通气象短临预报模型，得到预报目标数值，根据预报目标数值确定交通安全综合等级；

其中，基于预报知识库完成对所述预报目标的预测，并将预测所得的预报目标数值转换为预报目标等级，进而综合得到交通安全综合等级指数，表示为：；

式中，Value为预报目标的数值，L( )为线性层，r表示ReLU激活函数，Info为预报知识库；

Leveli为第i个预报目标的真实等级，aimi为第i个预报目标， Valuei为第i个预报目标的真实数值，standard为高速公路交通气象条件等级中预报目标的对应分级标准；

Output为交通安全综合等级指数，Max为取最大值运算；

所述通用交通气象短临预报模型采用自定义损失函数，作为该模型训练的评价策略，以训练得到优化模型参数；

所述自定义损失函数包括重要性评估和惩罚项，表示为：；

式中，importance为重要性评估，penalty为惩罚项；α为控制重要性和惩罚项数量级一致的系数，表示为：；

所述重要性评估表示为：

；

式中， 表示第i个预报目标的预测值，n为样本总数；

所述惩罚项表示为：

；

式中， 表示第i个预报目标的预测等级。

8.一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，执行如权利要求1 6中任一项所述通用交通气象短临预报方法的步骤。

~