1.一种多维时间序列预测方法，其特征在于，所述方法基于当前的数据处理模型实现，所述数据处理模型包括：依次连接的输入模块、双卷积网络结构和输出模块，所述双卷积网络结构包括依次连接的p个双卷积模块，每个双卷积模块包括第一捕获模块、时间卷积层、变量卷积层、第一特征融合模块、第二捕获模块和第二特征融合模块；所述方法包括以下步骤：S100，获取当前时刻被监测服务器对应的预测用数据集D，并基于D构建初始输入矩阵RS；其中，D={D1，D2，……，Di，……，Dm}；其中，Di为被监测服务器对应的第i个监测指标对应的监测数据集，i的取值为1到m，m为被监测服务器对应的监测指标的数量；Di={di1，di2，……，dij，……，din}，dij为被监测服务器对应的第i个监测指标在D中的第j个采样监测时刻对应的监测值，j的取值为1到n，n为D中的采样监测时刻的数量；RS为m×n的矩阵；所述监测指标为表征被监测服务器的性能的参数；D中相邻两个采样监测时刻之间的时长△t=h×△a，△a为监测指标的采样频率对应的时长，h为预设整数，h≥1；

S200，利用所述输入模块将RS映射为高维矩阵RH，RH为Q×n的矩阵，Q＞m；

S300，设置计数器c=1；

out

S400，如果c≤p，将第c‑1个双卷积模块的输出特征矩阵R c‑1作为第c个双卷积模块的in out输入特征矩阵R c，执行S500；否则，将R c‑1作为目标输出特征矩阵，执行S900；

in

S500，利用第c个双卷积模块的第一捕获模块对R c进行过滤处理，得到过滤处理后的in‑f输入特征矩阵R c；

in‑f

S600，利用第c个双卷积模块的时间卷积层对R c的每一行数据进行卷积操作，得到对out in‑f应的输出时间特征矩阵RT c，以及利用第c个双卷积模块的变量卷积层对R c的每一列数out据进行卷积操作，得到对应的输出变量特征矩阵RV c；

out out

S700，利用第c个双卷积模块的第一特征融合模块对RT c和RV c进行特征融合，得到对应的输出融合特征矩阵RMc；

S800，利用第c个双卷积模块的第二捕获模块对RMc进行过滤处理，得到过滤处理后的输f f in出融合特征矩阵RMc；以及利用第c个双卷积模块的第二特征融合模块对RM c和R c进行特out征融合，得到第c个双卷积模块的输出特征矩阵R c；设置c=c+1；执行S400；

S900，利用所述输出模块将所述目标输出特征矩阵映射为m×d的矩阵，作为当前时刻被监测服务器的预测监测数据；执行S100；d为位于第n个采样监测时刻之后需要预测的监测时刻的数量。

2.根据权利要求1所述的方法，其特征在于，还包括：S1000，在距离当前时刻之后d个监测时刻的目标时刻，获取所述目标时刻对应的实际监测数据；

S1100，基于所述预测监测数据和所述实际监测数据获取当前的数据处理模型的当前损失函数值，如果当前损失函数值符合预设条件，不对当前的数据处理模型进行更新，如果不符合，基于当前损失函数值对当前的数据处理模型的参数进行更新，并将更新后的数据处理模型作为当前的数据处理模型。

3.根据权利要求1所述的方法，其特征在于，S500具体包括：in in

利用第c个双卷积模块的第一捕获模块对R c中第u行第v列的数据d c‑uv执行过滤操in‑f in‑f in‑f in作，以得到对应过滤处理的数据d c‑uv；其中，d c‑uv满足如下条件：d c‑uv=k1×d c‑uv×

1/2 in in 3

（1+tan(（2/π） ×(d c‑uv+k2×（d c‑uv）))；其中，k1为第一预设系数，k2为第二预设系数；

u的取值为1到Q，v的取值为1到n；

所述利用第c个双卷积模块的第二捕获模块对RMc进行过滤处理，得到过滤处理后的输f出融合特征矩阵RMc，具体包括：

in

利用第c个双卷积模块的第二捕获模块对RMc中第u行第v列的数据dM c‑uv执行过滤操f f f f作，以得到对应过滤处理的数据dMc‑uv；其中，dMc‑uv满足如下条件：dMc‑uv=k1×dMc‑uv×（1+

1/2 f f 3

tan(（2/π） ×(dMc‑uv+k2×（dMc‑uv）))。

4.根据权利要求1所述的方法，其特征在于，RMc满足如下条件：out out out out out out out outRMc=WT c×RT c+WV c×RV c；WT c为RT c对应的权重，WV c为RV c对应的权重；

out

R c满足如下条件：

out f in

R c=RMc+R c。

5.根据权利要求4所述的方法，其特征在于，D通过如下步骤获取得到：S11，获取所述被监测服务器位于当前监测时刻之前L×n个监测时刻对应的监测数据集DC={DC1，DC2，……，DCi，……，DCm}；其中，DCi为DC中第i个监测数据集；DCi={dCi1，dCi2，……，dCio，……，dCin}，dCio为DCi中的第o个监测数据，o的取值为1到L×n；L为预设整数；

f

S12，对DC进行缺失值填充，得到进行了缺失值填充的监测数据集DC；

f

S13，对DC进行平稳化处理，得到所述D。

6.根据权利要求5所述的方法，其特征在于，S12具体包括：S101，遍历DC，对于DCi，如果DCi中存在至少两个连续的缺失值，将DCi加入当前的第一缺失值记录表RC1中，否则，将DCi加入当前的第二缺失值记录表RC2中；RC1和RC2的初始值为空值；

S102，如果RC1为空值，执行S103；否则，执行S104；

S103，利用线性插值法对RC2中的监测数据集对应的缺失值进行填充，并退出当前控制程序；

S104，获取RC1对应的监测时刻范围集TC1={TC11，TC12，……，TC1g，……，TC1E}；TC1g为s1 e1 s2RC1中的第g个监测数据集对应的缺失值的监测时刻范围，TC1g={[TC1 g，TC1 g]，[TC1 g，e2 sx ex sz（g） ez（g） sxTC1 g]，……，[TC1 g，TC1 g]，……，[TC1 g，TC1 g]}，TC1 g为RC1中的第g个监测数据se集对应的第x个缺失序列的起始监测时刻，TC1 g为RC1中的第g个监测数据集对应的第x个缺失序列的结束监测时刻，x的取值为1到z（g），z（g）为RC1中的第g个监测数据集对应的缺s1 s2失序列的数量；g的取值为1到E，E为TC1中的数据集的数量；其中，TC1 g＜TC1 g＜……＜sx sz（g）TC1 g＜……＜TC1 g；

s1 s1 s1 s1

S105，获取最小开始监测时刻Tmin=min（TC1 1，TC1 2，……，TC1 g，……，TC1 E）以及获ez（1） ez（2） ez（g） ez（E）取最大监测时刻Tmax=max（TC1 1，TC1 2，……，TC1 g，……，TC1 E）；其中，min（）表示取最小值，max（）表示取最大值；

c

S106，获取被监测服务器对应的历史监测数据集中位于当前的起始监测时刻T min之前c的n个监测时刻对应的监测数据集作为当前的参考监测数据集；Tmin的初始值为Tmin；

S107，将所述当前的参考监测数据集输入所述当前的数据处理模型中，得到对应的预测结果；

c

S108，如果（Tmax‑Tmin+1）≤d，基于所述预测结果对TC1中的监测数据集中的位于监测时c f c刻范围[Tmin，Tmax]内的缺失序列进行填充，得到DC，并退出当前控制程序；如果（Tmax‑Tmin+c c

1）＞d，基于所述预测结果对TC1中的监测数据集中的位于监测时刻范围[Tmin，Tmin+d]内的缺失序列进行填充；并执行S109；

c c

S109，设置Tmin=Tmin+d+1，执行S106。

7.根据权利要求5所述的方法，其特征在于，S13具体包括：f f f f f

S111，对于DC中的第i个监测数据集DCi，获取DC i对应的平稳系数STCi；如果STCi＜f n f f ff0，执行S113，否则，执行S112；其中，STC i=（∑ t=k+1 （dC it‑Avg（DC i））（dC i（t‑k）‑Avgf n f f 2 f f（DCi）））/（∑o=1 （dCio‑Avg（DCi））），其中，k为预设的监测时刻数量，dCit为DCi中的第tf f f f个监测数据，dCi（t‑k）为DCi中的第t‑k个监测数据；Avg（DCi）为DCi对应的平均值；f0为预设平稳系数阈值；

f

S112，设置i=i+1，如果i≤m，执行S111；否则，将DC中位于当前时刻之前n个监测时刻对应的监测数据集作为D，并退出当前控制程序；

f

S113，按照设定下采样频率对DC i进行下采样，得到D；其中，设定下采样频率对应的时长等于L×△a。

8.根据权利要求1所述的方法，其特征在于，所述时间卷积层和所述变量卷积层为一维卷积层。

9.一种电子设备，其特征在于，包括处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至8任一项所述方法的步骤。

10.一种非瞬时性计算机可读存储介质，其特征在于，所述非瞬时性计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至8任一项所述方法的步骤。