1.一种粉体助剂智能配送方法，其特征在于，包括：

S1：获取粉体助剂的历史消耗速度、当前消耗点库存量和消耗点配送时长，其中，所述消耗点配送时长的配送速度为消耗点初始配送速度；

S2：根据所述历史消耗速度，结合长短时记忆网络模型和贝叶斯算法对消耗点进行消耗速度单点预测，输出预测消耗速度序列；

S3：对所述预测消耗速度序列在各个所属时间步上进行积分，得到所述当前消耗点库存量的可用时长；

S4：获取期望可用时长；

S5：根据所述消耗点配送时长和所述期望可用时长，确定期望消耗点配送量；

S6：在所述消耗点配送时长大于所述可用时长的情况下，提升所述消耗点初始配送速度，以调整所述消耗点配送时长，直至调整后的消耗点配送时长小于所述可用时长，否则，进入步骤S8；

S7：按提升后的消耗点初始配送速度将所述期望消耗点配送量配送至相对应的消耗点；

S8：按所述消耗点初始配送速度将所述期望消耗点配送量配送至相对应的消耗点；

其中，所述S2具体包括：

S201：获取不同采样频率的历史消耗速度序列；

S202：以最小对齐成本搜寻对各个历史消耗速度序列进行融合的最佳对齐路径，得到历史消耗速度融合序列；

S203：将所述历史消耗速度融合序列按回溯窗口进行数据抽取，并结合长短时记忆网络模型和贝叶斯算法对抽取的历史消耗速度融合序列进行预测，输出多个时间步的预测消耗速度，其中，各个预测消耗速度组成所述预测消耗速度序列；

其中，所述S202具体包括：

S2021：建立第一历史消耗速度序列与第二历史消耗速度序列的距离矩阵：其中，距离矩阵D中的元素 表示第一历史消耗速度序列 的第i个元素与第二历史消耗速度序列的第j个元素 的欧氏距离， 表示计算欧氏距离；

S2022：基于所述距离矩阵，建立用于描述所述最小对齐成本的累积距离矩阵：其中，累积距离矩阵C中的元素

表示从 到 的最小累积距离，min表示取最小值；

S2023：以最小累积距离为回溯约束，从所述累积距离矩阵的终点元素开始进行逆向回溯，记录每一步的最佳回溯点即最佳前驱节点，每一步的回溯约束具体为：其中， 表示最佳回溯点， 表

示取使得函数取最小值的i和j的值；

S2024：将所述最佳回溯点作为新的终点元素即新的回溯起点，重新进行逆向回溯，直至回溯到所述累积距离矩阵的起点元素；

S2025：将所述最佳回溯点按回溯顺序进行逆向组合得到所述最佳对齐路径；

S2026：将所述第一历史消耗速度序列和所述第二历史消耗速度序列按所述最佳对齐路径进行对齐，得到所述历史消耗速度融合序列。

2.根据权利要求1所述的粉体助剂智能配送方法，其特征在于，在所述S202之后还包括：S202A：结合奇异值分解算法和经验模态分解算法提取代表所述历史消耗速度融合序列的周期性规律的回溯窗口。

3.根据权利要求2所述粉体助剂智能配送方法，其特征在于，所述S202A具体包括：S202A1：基于奇异值分解算法对所述历史消耗速度融合序列进行序列拓延：其中，X表示包括历史消耗速度融合序列各个时间步的嵌入矩阵， 表示历史消耗速度融合序列中第i个时间步的值， ，T表示历史消耗速度融合序列长度，i表示列索引，n表示嵌入矩阵中代表窗口长度的行数即行索引，U表示嵌入矩阵的 左奇异向量， 表示包括嵌入矩阵的奇异值的 的对角矩阵，V表示嵌入矩阵的右奇异向量即 的正交矩阵，k表示奇异值贡献度大于预设奇异值贡献度的主成分数量， 表示基于主成分数量重建的近似矩阵， 分别代表基于主成分数量重建得到的相对应的左奇异向量、对角矩阵和右奇异向量， 表示拓延后的历史消耗速度融合序列， 表示对 通过线性外推得到的右奇异矩阵， 表示转置；

S202A2：通过差分方式生成拓延后的历史消耗速度融合序列的互补序列：其中， 互补序列 中的第p个值，

分别表示拓延后的历史消耗速度融合序列的第p个值和第p‑1个值；

S202A3：对由拓延后的历史消耗速度融合序列和相对应的互补序列组成的互补对进行经验模态分解，提取本征模态函数：其中， 分别表示信号即互补对的t时刻上包

络线和t时刻下包络线， 表示t时刻信号均值， 表示代表拓延后的历史消耗速度融合序列或者相对应的互补序列在t时刻的值， 表示t时刻细化信号， 表示提取的第一个本征模态函数， 表示提取的t时刻的第k个本征模态函数， 表示提取后得到的性质为单调函数的剩余信号；

S202A4：去除所述本征模态函数中对应于所述历史消耗速度融合序列的拓延部分；

S202A5：计算本征模态函数值的自相关局部极大值，确定本征模态函数周期：其中， 表示时间滞后， 表示 时刻

的本征模态函数值，M表示 的总长度， 表示经过时间滞后 的本征模态函数与自身的相似程度， 表示第一个局部极大值对应的滞后时间， 表示本征模态函数周期；

S202A6：将覆盖所述本征模态函数周期的时间窗口作为所述回溯窗口输出。

4.根据权利要求1所述的粉体助剂智能配送方法，其特征在于，所述S203具体包括：S2031：将回溯窗口内的历史消耗速度融合序列输入至预训练的长短时记忆网络模型，输出单步预测值：其中， 和 分别表示遗忘门 的权重矩阵和偏置向

量， 表示sigmoid激活函数，表示矩阵乘法，t表示当前时刻， 表示前一时刻即t‑1时刻的隐藏状态，表示t时刻输入即历史消耗速度融合序列， 和 分别表示输入门 的权重矩阵和偏置向量， 和 分别表示当前时刻的候选细胞状态 的权重矩阵和偏执向量，tanh表示双曲正切函数， 和 分别表示当前时刻的细胞状态和前一时刻的细胞状态，和 分别表示输出门 的权重矩阵和偏置向量， 表示当前时刻隐藏状态， 表示下一时刻预测值即t+1时刻预测值， 和 分别表示输出层权重矩阵和输出层偏置向量；

S2032：通过贝叶斯算法对所述单步预测值进行校正：其中， 表示校正后的下一时刻预测值， 表示

预测值方差， 表示当前时间步预测误差的方差， 表示t时刻的估计真实值，i表示代表时间步的变量， 表示第i个时间步的权重， 表示第i个时间步的真实消耗速度值，表示贝叶斯校正项即校正程度， 和 分别表示t时刻真实消耗速度值和t时刻预测值， 表示第i个时间步的预测误差，N表示回溯窗口大小即历史数据参考窗口；

S2033：将校正后的单步预测值作为所述历史消耗速度融合序列的下一个时间步的消耗速度值，以更新所述历史消耗速度融合序列；

S2034：将更新后的历史消耗速度融合序列重新输入至所述长短时记忆网络模型，输出新的单步预测值；

S2035：重复步骤S2031至步骤S2034，直至得到预设数量的单步预测值，将所述单步预测值按预测时刻进行组合得到所述预测消耗速度序列。

5.根据权利要求1所述的粉体助剂智能配送方法，其特征在于，所述S3具体包括：S301：对所述预测消耗速度序列在各个所属时间步上进行积分，输出预测消耗量；

S302：计算所述预测消耗量等于所述当前消耗点库存量情况下的积分时长，并将所述积分时长作为所述可用时长输出：其中， 表示可用时长即积分时长， 表

示消耗点库存量， 表示离散时间步长， 表示第i个时间步 的消耗速度即单位时间内的消耗量， ，其中，k表示时间索引。

6.根据权利要求1所述的粉体助剂智能配送方法，其特征在于，所述期望消耗点配送量的计算方式具体为：其中， 表示期望消耗点配送量， 表示预测消耗速度序列中的t时刻预测消耗速度， 表示当前时刻， 表示期望可用时长， 表示消耗点配送时长。

7.一种粉体助剂智能配送系统，其特征在于，包括：

处理器；

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至6中任一项所述的粉体助剂智能配送方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项所述的粉体助剂智能配送方法。