1.一种网络运行指标预测方法，其特征在于，基于改进的Transformer时序预测模型，所述改进的Transformer时序预测模型包括嵌入层、编码器和解码器，所述方法包括：获取网络运行指标的原始时间序列数据，对所述原始时间序列数据进行预处理和多项时序分解，所述多项时序分解包括趋势项时序分解和周期项时序分解，以得到网络运行的多项时序数据；

其中，所述多项时序分解的步骤包括：

定义原始时间序列数据的变量值 ，其中，st为周期项， 为趋势项，为余项；

将预处理后的原始时间序列数据 进行T阶差分，所述T阶差分公式为：，

其中， 表示预处理后的原始时间序列数据 的T阶差分， 表示在另一时间T‑t上的时序数据， 表示趋势项的T阶差分， 表示周期项的T阶差分， 表示余项的T阶差分；

所述趋势项时序分解的步骤包括：

通过最小化加权来对所述趋势项 进行增强以构建目标函数，将所述目标函数改写为等价矩阵，对所述等价矩阵进行范式替代，得到变换后的目标函数，再最小化所述变换后的目标函数，将最小化所述变换后的目标函数的输出作为分解增强后的趋势项 ；

所述周期项时序分解的步骤包括：

将所述分解增强后的趋势项 从所述预处理后的原始时间序列数据 中去除后更新为 ，将所述 作为周期项时序分解的处理对象；

使用非局部季节性滤波从所述 中提取分解周期项，提取分解后的周期项 的公式为：，

其中， 表示双边滤波器权重， 为第 个子序列的第j个时序， 的取值范围为， ，K表示子序列数量，h大小范围为1至H，H表示过滤窗口大小；

将所述多项时序数据输入所述嵌入层进行转换，以得到可嵌入特征序列；

将所述可嵌入特征序列输入编码器，所述编码器中引入多头稀疏自注意力，以捕捉所述可嵌入特征序列的全局信息和局部特征；

其中，所述引入多头稀疏自注意力的步骤包括：

引入的多头稀疏自注意力的计算公式为：

，

其中，Attention(Q,K,V)表示关于查询向量Q、键向量K和值向量V定义的多头稀疏自注意力， 为激活函数， 表示每个查询向量中概率最高的向量， 表示键向量的转置矩阵，d表示维度；

将所述编码器输出特征和补充掩码序列输入所述解码器，以得到网络运行指标的预测结果。

2.根据权利要求1所述的网络运行指标预测方法，其特征在于，所述预处理包括：通过窗口化 原则从所述原始时间序列数据中检测出异常数据并置为空值，再基于动态时间规整距离的KNN插补算法对所述空值进行插补。

3.根据权利要求1所述的网络运行指标预测方法，其特征在于，所述将所述多项时序数据输入所述嵌入层进行转换，以得到可嵌入特征序列的步骤包括：局部时间戳使用Transformer中经典嵌入方式进行嵌入，全局时间戳采用可学习式嵌入，再采用一维卷积滤波器进行维度对齐，以使所述多项时序数据进行映射得到所述可嵌入特征序列。

4.根据权利要求1所述的网络运行指标预测方法，其特征在于，所述将所述编码器输出特征和补充掩码序列输入所述解码器，以得到网络运行指标的预测结果的步骤包括：将所述编码器输出特征作为第一部分输入解码器，对所述嵌入层的输出进行掩码填充得到补充掩码序列，将所述补充掩码序列作为第二部分输入解码器，所述解码器的输入表达式为：，

其中， 表示解码器的输入， 表示按照时间戳进行连接操作， 表示编码器输出对应的序列长度， 表示补充掩码序列长度；

再通过多头稀疏自注意力和全连接层的处理，得到最终的网络运行指标的预测结果。

5.根据权利要求1所述的网络运行指标预测方法，其特征在于，所述得到网络运行指标的预测结果的步骤之后还包括：采用窗口化的累计误差值和百分比加权误差的方式对所述网络运行指标的预测结果进行评估，基于所述评估的结果，对不同网络运行状态下的客观权重和主观权重进行调整，所述评估的算法公式为：，

其中， 表示评估的结果， 表示窗口长度为n时预测数据和实际数据的均方误差损失函数值， 和 分别为主观权重和客观权重， 为第i个指标的实际值， 为第i个指标的预测值。

6.一种网络运行指标预测系统，其特征在于，基于改进的Transformer时序预测模型，所述改进的Transformer时序预测模型包括嵌入层、编码器和解码器，所述系统包括：数据获取模块，用于获取网络运行指标的原始时间序列数据，对所述原始时间序列数据进行预处理和多项时序分解，所述多项时序分解包括趋势项时序分解和周期项时序分解，以得到网络运行的多项时序数据；

其中，所述多项时序分解的步骤包括：

定义原始时间序列数据的变量值 ，其中，st为周期项， 为趋势项，为余项；

将预处理后的原始时间序列数据 进行T阶差分，所述T阶差分公式为：，

其中， 表示预处理后的原始时间序列数据 的T阶差分， 表示在另一时间T‑t上的时序数据， 表示趋势项的T阶差分， 表示周期项的T阶差分， 表示余项的T阶差分；

所述趋势项时序分解的步骤包括：

通过最小化加权来对所述趋势项 进行增强以构建目标函数，将所述目标函数改写为等价矩阵，对所述等价矩阵进行范式替代，得到变换后的目标函数，再最小化所述变换后的目标函数，将最小化所述变换后的目标函数的输出作为分解增强后的趋势项 ；

所述周期项时序分解的步骤包括：

将所述分解增强后的趋势项 从所述预处理后的原始时间序列数据 中去除后更新为 ，将所述 作为周期项时序分解的处理对象；

使用非局部季节性滤波从所述 中提取分解周期项，提取分解后的周期项 的公式为：，

其中， 表示双边滤波器权重， 为第 个子序列的第j个时序， 的取值范围为， ，K表示子序列数量，h大小范围为1至H，H表示过滤窗口大小；

数据嵌入模块，用于将所述多项时序数据输入所述嵌入层进行转换，以得到可嵌入特征序列；

特征编码模块，用于将所述可嵌入特征序列输入编码器，所述编码器中引入多头稀疏自注意力，以捕捉所述可嵌入特征序列的全局信息和局部特征；

其中，所述引入多头稀疏自注意力的步骤包括：

引入的多头稀疏自注意力的计算公式为：

，

其中，Attention(Q,K,V)表示关于查询向量Q、键向量K和值向量V定义的多头稀疏自注意力， 为激活函数， 表示每个查询向量中概率最高的向量， 表示键向量的转置矩阵，d表示维度；

特征解码模块，用于将所述编码器输出特征和补充掩码序列输入所述解码器，以得到网络运行指标的预测结果。