1.一种跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，包括：

S1、获取目标时段之前的钱塘江涌潮高度历史序列以及钱塘江区域气象数据历史序列，并通过数据预处理使其满足模型输入要求，其中历史气象数据类型包括风力风速数据、气温数据、降水数据以及气压数据四种模态；

S2、获取经过预训练的钱塘江涌潮高度预测模型，所述钱塘江涌潮高度预测模型由基于跨模态特征融合的编码器和生成式解码器组成；所述编码器中，先将模型输入中每一种类型的钱塘江区域气象数据历史序列分别通过卷积层处理以提取气象数据关键空间特征，随后分别通过自注意力层对卷积层处理后的每一种气象数据关键空间特征和模型输入中的钱塘江涌潮高度历史序列应用自注意力机制，获得调整特征重要性后的多模态特征，最后将自注意力处理后的多模态特征沿特征维度进行拼接融合，得到的融合特征；所述解码器中，先将所述编码器得到的融合特征与一个长度等于待预测序列的占位符嵌入进行拼接，拼接得到的输入特征通过全连接网络得到输出序列；

S3、将S1中数据预处理后的钱塘江涌潮高度历史序列以及钱塘江区域气象数据历史序列输入经过预训练的钱塘江涌潮高度预测模型中，得到目标时段对应的钱塘江涌潮高度预测序列。

2.如权利要求1所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述风力风速数据采用东西方向的风速矢量u10指标。

3.如权利要求1所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述数据预处理包括对各模态数据的历史序列依次进行缺失值补全、重采样和归一化。

4.如权利要求3所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述钱塘江区域气象数据历史序列在进行所述重采样时，需将每个历史时刻的钱塘江区域气象数据空间分布图重采样至相同的空间分辨率，同时钱塘江区域气象数据的时间分辨率需重采样至与所述钱塘江涌潮高度历史序列的时间分辨率相同。

5.如权利要求3所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述归一化采用最大最小值归一化。

6.如权利要求1所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述钱塘江涌潮高度预测模型在用于实际推理之前需预先采用标注数据集进行监督训练，训练过程中以最小化损失函数值为目标，使用Adam作为模型的优化器来调整网络参数，并引入早停(EarlyStopping)机制控制训练的迭代循环。

7.如权利要求6所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，训练所述钱塘江涌潮高度预测模型所采用的损失函数为钱塘江涌潮高度预测序列与真值标签之间的均方误差(MSE)。

8.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时，能实现如权利要求1～7任一项所述的跨模态特征融合的钱塘江涌潮高度预测方法。

9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1～7任一所述的跨模态特征融合的钱塘江涌潮高度预测方法。

10.一种计算机电子设备，其特征在于，包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求1～7任一所述的跨模态特征融合的钱塘江涌潮高度预测方法。