1.一种基于航班链的航班过站时间预测方法，其特征在于，所述方法包括如下步骤：当目标飞行器从出发机场离港后，获取目标飞行器在对应的航班链中，前序已完成到港的航班到港延误序列S={d1，d2，…，di，…，dN}；其中，di包括目标飞行器前序已完成到港的i个航班的到港延误时间、到港机场规模、计划过站时间与实际过站时间差值、航班离港延误时间；N为目标飞行器在对应的航班链中已完成到港的航班数量，i=1，2，…，N；

将S输入时间步长为N的第一LSTM模型，生成到港延误预测值；所述到港延误预测值用于表示目标飞行器未来到港的延误时长；

将所述到港延误预测值及静态特征输入到第一MLP模型，生成所述目标飞行器在第一预测时段中对应的航班过站预测时间；静态特征包括：包括航班号、出发机场、目的机场、机型、远近机位、目标过站机场的计划过站时间、发机场的航班离港延误时间及天气；所述第一预测时段为目标飞行器从出发机场离港到在目的机场到港之间的时间段。

2.根据权利要求1所述的方法，其特征在于，在生成所述目标飞行器在第一预测时段中对应的航班过站预测时间之后，所述方法还包括：当目标飞行器在目的机场到港后，获取所述目的机场在历史时段中航班的交通特征值M及目的机场到港延误时长T；M包括：历史时段中航班的起降总架次、机场ID及历史时段中每个小时对应的小时数；

将M输入时间步长与所述历史时段相同的第二LSTM模型，生成机场交通预测值；所述机场交通预测值用于表示目的机场未来1小时内的交通拥堵程度；

将所述机场交通预测值、T及静态特征输入到第二MLP模型，生成所述目标飞行器在第二预测时段中对应的航班过站预测时间；所述第二预测时段为目标飞行器在目的机场到港到从目的机场离港之间的时间段。

3.根据权利要求1所述的方法，其特征在于，N为小于或等于5的正整数。

4.根据权利要求3所述的方法，其特征在于，当目标飞行器从出发机场离港后，获取目标飞行器在对应的航班链中，前序已完成到港的航班到港延误序列S={d1，d2，…，di，…，dN}，包括：当前序已完成到港的航班总数大于5时，使用距离当前航班最近的5个前序航班的到港延误时间、到港机场规模、计划过站时间与实际过站时间差值及航班离港延误时间，作为目标飞行器在对应的航班链中的S。

5.根据权利要求2所述的方法，其特征在于，当目标飞行器在目的机场到港后，获取所述目的机场在历史时段中航班的交通特征值M及目的机场到港延误时长T，包括：当目标飞行器在目的机场到港后，获取所述目的机场在最近的3个小时中航班的交通特征值M。

6.根据权利要求1所述的方法，其特征在于，在将所述到港延误预测值及静态特征输入到第一MLP模型，生成所述目标飞行器在第一预测时段中对应的航班过站预测时间之前，所述方法还包括：当出发机场为始发机场时，所述到港延误预测值为0。

7.根据权利要求1所述的方法，其特征在于，将所述到港延误预测值及静态特征输入到第一MLP模型，生成所述目标飞行器在第一预测时段中对应的航班过站预测时间，包括：使用所述到港延误预测值及静态特征形成第一组合特征；

将所述第一组合特征输入到第一MLP模型，生成所述目标飞行器在第一预测时段中对应的航班过站预测时间。

8.根据权利要求2所述的方法，其特征在于，将所述机场交通预测值、T及静态特征输入到第二MLP模型，生成所述目标飞行器在第二预测时段中对应的航班过站预测时间，包括：使用所述机场交通预测值、T及静态特征形成第二组合特征；

将所述第二组合特征输入到第二MLP模型，生成所述目标飞行器在第二预测时段中对应的航班过站预测时间。

9.一种非瞬时性计算机可读存储介质，所述非瞬时性计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的一种基于航班链的航班过站时间预测方法。

10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的一种基于航班链的航班过站时间预测方法。