1.一种基于3D‑TimesNet的次季节气温预报订正方法，其特征在于，包括以下步骤：采用结合傅里叶变换和卷积神经网络的三维时间块3D‑TimesBlock，构建融合次季节气温预报结果与历史气温数据的3D‑TimesNet神经网络优化模型，并利用次季节气温预报结果数据集和历史气温数据集进行训练；将训练好的模型进行优化加速；利用优化后模型，针对目标时间，输入待订正次季节气温预报结果与历史气温数据，将模式输出数据进行反标准化，得到订正后的目标时间的气温预报结果；

其中，3D‑TimesNet神经网络优化模型包括M个三维时间块3D‑TimesBlock和M个多尺度二维卷积块Inception_2D Block；M个三维时间块串联连接，第一个三维时间块的输入为历史气温数据集，第 个三维时间块的输入为第 个三维时间块的输入及输出的残差连接；M个多尺度二维卷积块串联连接，第一个多尺度二维卷积块的输入为次季节气温预报结果数据集与第一个三维时间块的输入及输出的残差连接的组合，第 个多尺度二维卷积块的输入为第 个多尺度二维卷积块的输入及输出的残差连接与第 个三维时间块的输入及输出的残差连接的组合，不断将三维时间块提取到的周期性特征加入到已有的次季节预报中，对预报进行订正，最终输出订正后的气温预报结果。

2.根据权利要求1所述的一种基于3D‑TimesNet的次季节气温预报订正方法，其特征在于，训练模型用的次季节气温预报结果数据集和历史气温数据集是数据清洗和标准化预处理后的，数据清洗和标准化预处理过程具体为：首先，识别并剔除次季节气温预报结果和历史气温数据中的不完整、不正确、不准确或不相关部分；

然后，进一步对清洗后的次季节气温预报结果和历史气温数据分别进行标准化预处理，计算方法为：，

，

其中， 为标准化后的次季节气温预报结果， 为清洗后的次季节气温预报结果，和 分别为 的平均值和标准差； 为标准化后的历史气温数据矩阵， 为历史气温数据矩阵， 和 分别为 的平均值和标准差。

3.根据权利要求1所述的一种基于3D‑TimesNet的次季节气温预报订正方法，其特征在于，三维时间块3D‑TimesBlock，包括：快速傅里叶变换模块、多尺度注意力三维卷积块AttentionInception_3D Block和加权求和模块，首先通过快速傅里叶变换分析历史气温数据集时间序列的频率成分，选择最显著的频率成分，根据这些频率成分将一维的时间序列重构为多个具有周期长度和周期数的序列集合；然后使用由多个不同尺寸三维卷积核和注意力模块组成的多尺度注意力三维卷积块AttentionInception_3D Block来捕捉周期内与周期间的特征，之后将计算结果重构回时间序列，并根据之前快速傅里叶变换计算得到的幅度为每个结果分配权重，通过加权求和，得到输出结果。

4.根据权利要求3所述的一种基于3D‑TimesNet的次季节气温预报订正方法，其特征在于，快速傅立叶变换公式为：，

其中， 是时间维度上的频率， 是频率 对应的频谱，包含幅度与相位信息，是标准化后的 时刻的历史气温数据，表示时间索引， 是序列 的长度，即时间， 是虚数单位， 是自然对数的底数；

之后计算频率的平均幅度，公式如下：

，

其中，A是频率的平均幅度，N是经纬度平面内空间点的个数， 是第n个空间点的频谱，之后去除直流分量，然后将平均幅度从大到小进行排序并取前k个平均幅度对应的频率，并根据频率计算周期长度，公式如下：，

其中， 是计算得到的第 个周期长度， 是第 个最大平均幅度对应的频率，之后对每个频率的数据 分别进行三维卷积操作， 表示纬度，表示经度；输出计算如下：

，

其中， 是经过两个多尺度注意力三维卷积块得到的计算结果，

AttentionInception_3D是多尺度注意力三维卷积块操作，GELU是激活函数， 表示对应的数据；

最后将运算后的k组 的时间维度恢复至一维，并根据其平均幅度大小加权求和得到与输入的历史气温数据维度大小一致的输出结果。

5.根据权利要求3所述的一种基于3D‑TimesNet的次季节气温预报订正方法，其特征在于，多尺度注意力三维卷积块AttentionInception_3D Block首先使用三个分支对数据进行计算，其中一个分支使用一次卷积操作，另外两个分支分别连续使用两次卷积操作，之后将三个分支的计算结果平均，多分支的计算用于增强捕捉空间特征的能力；在经过两次分支平均操作后，连接通道注意力模块与空间注意力模块，计算各个点在空间与时间上的权重大小，对运算结果进行调整。

6.根据权利要求1所述的一种基于3D‑TimesNet的次季节气温预报订正方法，其特征在于，不断将三维时间块提取到的周期性特征加入到已有的次季节预报中，对预报进行订正，表达式为：，

，

，

其中， 是第 个多尺度二维卷积块的输入，Concatenate是数据拼接操作，是第 个三维时间块的输入与输出残差连接后的结果， 是第 个多尺度二维卷积块输出与输入残差连接后的结果，其中， 时 是次季节气温预报结果，是第 个多尺度二维卷积块的输出，GELU是激活函数，Inception_2D是多尺度二维卷积操作， 是第 个多尺度二维卷积块输出与输入残差连接后的结果，经过多次Inception_

2D的运算后，输出层通过卷积操作逐步减小通道数，得到预报结果。

7.根据权利要求1所述的一种基于3D‑TimesNet的次季节气温预报订正方法，其特征在于，模型训练时，采用损失函数MSELoss，并使用梯度下降法更新模型参数，具体的参数更新规则如下：，

其中， 是经过一轮学习后的参数， 表示3D‑TimesNet神经网络优化模型的原始参数，为学习率；

采用优化器Adam对模型进行优化加速。

8.一种基于3D‑TimesNet的次季节气温预报订正系统，其特征在于，包括：模型构建及训练单元，用于采用结合傅里叶变换和卷积神经网络的三维时间块3D‑TimesBlock，构建融合次季节气温预报结果与历史气温数据的3D‑TimesNet神经网络优化模型，并利用次季节气温预报结果数据集和历史气温数据集进行训练；

优化处理单元，用于将训练好的模型进行优化加速；

预报单元，用于利用优化后模型，针对目标时间，输入待订正次季节气温预报结果与历史气温数据，将模式输出数据进行反标准化，得到订正后的目标时间的气温预报结果；

其中，3D‑TimesNet神经网络优化模型包括M个三维时间块3D‑TimesBlock和M个多尺度二维卷积块Inception_2D Block；M个三维时间块串联连接，第一个三维时间块的输入为历史气温数据集，第 个三维时间块的输入为第 个三维时间块的输入及输出的残差连接；M个多尺度二维卷积块串联连接，第一个多尺度二维卷积块的输入为次季节气温预报结果数据集与第一个三维时间块的输入及输出的残差连接的组合，第 个多尺度二维卷积块的输入为第 个多尺度二维卷积块的输入及输出的残差连接与第 个三维时间块的输入及输出的残差连接的组合，不断将三维时间块提取到的周期性特征加入到已有的次季节预报中，对预报进行订正，最终输出订正后的气温预报结果。

9.一种电子设备，其特征在于，所述设备包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1‑7任一项所述的一种基于3D‑TimesNet的次季节气温预报订正方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1‑7任一项所述的一种基于3D‑TimesNet的次季节气温预报订正方法的步骤。