1.一种互联网营销活动重点用户参与度趋势预测方法，其特征在于：其包括如下步骤：S1.收集营销数据，根据营销数据中的重点用户的分类权重和互动行为分数构建重点用户参与度趋势序列，具体步骤为：S1.1.构建半衰期函数，半衰期函数的表达式为：  （1），

其中，表示半衰期，t0表示营销活动开始时间，t表示当前时间，θ是衰减因子；

S1.2.构建带有半衰期函数的营销活动热度函数，营销活动热度函数的公式为：  （2），

其中，Heat(t)表示营销活动热度，Num(t)表示当天活动参与人数；

S1.3.根据营销数据中的重点用户的分类权重、互动行为分数和营销活动热度，构建日均参与度函数，日均参与度函数的表达式为：  （3），

其中，P(t)表示日均参与度，ui表示第i个重点用户，ui∈U，U表示重点用户群体，S(ui, t)表示重点用户ui在t时间的互动行为分数，W(ui, t)表示在t时间根据重点用户ui的分类确定的权重，N表示在t时间的重点用户群体总数；

S1.4.计算各时间段的日均参与度，并按照时间顺序对日均参与度进行排序，构建重点用户参与度趋势序列；

S2.引入二次惩罚项和拉格朗日乘子构建的变分模态模型，变分模态模型公式为： (7)，

其中，L表示拉格朗日函数，IMFk表示第k个重点用户参与度趋势子序列，K表示重点用户参与度趋势子序列的数量，{IMFk}表示K个重点用户参与度趋势子序列的集合，即每个本征模态函数对应一个重点用户参与度趋势子序列，ωk表示分解后的第k个模态分量中心频率，{ωk}表示分解后的K个模态分量中心频率的集合，X(t) 表示原始用户参与度时间序列， 表示时间t的偏导数，δ(t)表示为狄拉克分布， 表示卷积操作，α表示二次惩罚因子，λ表示拉格朗日乘子，r表示虚数使用粒子群优化算法优化变分模态模型的最优参数组合的具体步骤为：S2.1.构建粒子群算法，粒子群算法的公式为：（12），

 （13），

其中，i表示粒子索引，vi表示粒子i的速度，xi表示粒子i的位置，表示惯性权重，c1和c2表示学习因子，r1和r2表示介于(0,1)之间的随机数，pbest,i表示粒子i至今找到的最优位置，gbest,i表示粒子群至今找到的最优位置；

S2.2.采用粒子群优化算法以包络熵为适应度函数对重点用户参与度趋势子序列的总数K和二次惩罚因子α寻优，适应度函数为：（14），

（15），

其中，j表示重点用户参与度趋势子序列索引，m(j)为每个重点用户参与度趋势子序列通过Hilbert解调得到的包络信号的归一化形式，pj为概率分布，M表示粒子总数，Ep表示适应度函数；

对重点用户参与度趋势子序列的总数K和二次惩罚因子α寻优的具体过程为：（1）初始化一组粒子，每个粒子代表一组重点用户参与度趋势子序列的总数K和二次惩罚因子α的候选解，为每个粒子设置初始位置和初始速度；

（2）使用包络熵评估每个粒子的性能，即对于给定的重点用户参与度趋势子序列的总数K和二次惩罚因子α，执行VMD分解并计算结果的包络熵，每个粒子的速度和位置、个体局部最优和种群全局最优均会进行更新；

（3）重复迭代直到达到预设的最大迭代次数，最后输出全局最优解；

S2.3.初始化重点用户参与度趋势子序列、模态分量中心频率和拉格朗日乘子，令迭代次数n为0；

S2.4.令重点用户参与度趋势子序列的序列号k为1；

S2.5.通过交替方向乘子法对点用户参与度趋势子序列和模态分量中心频率进行迭代，所述的重点用户参与度趋势子序列的计算公式为： （8），

其中， 表示迭代后的重点用户参与度趋势子序列，ω表示模态分量中心频率，表示迭代后的原始信号，z表示迭代后的重点用户参与度趋势子序列索引，表示迭代后的拉格朗日乘子，α表示二次惩罚因子；

所述的模态分量中心频率的计算公式为：

（9），

其中， 表示迭代后的模态分量中心频率，dω表示微积分增量，n表示迭代次数；

S2.6. 重点用户参与度趋势子序列的序列号k是否与点用户参与度趋势子序列的总数K相同，若不是，返回S2.5，若是，更新拉格朗日乘子λ，拉格朗日乘子λ的计算公式为： （10），

其中， 和 分别表示迭代前、后的拉格朗日乘子λ，τ表示噪声容忍水平；

S2.7.计算迭代后的收敛精度，并与精度阈值进行比较，若精度不小于精度阈值，令迭代次数n加1，返回S2.4，若精度小于精度阈值，停止迭代并输出所有重点用户参与度趋势子序列构建变分模态模型，使用粒子群优化算法优化变分模态模型的最优参数组合，并通过变分模态模型将重点用户参与度趋势序列分解为若干重点用户参与度趋势子序列；

S3.采用DenseNet网络的密集连接方式改进时域卷积网络，将各重点用户参与度趋势子序列分别送入改进的时域卷积网络中进行卷积运算，分析重点用户参与趋势，具体步骤为：S3.1.将通过变分模态模型分解得到的重点用户参与度趋势子序列进行权重归一化处理，使用ReLU激活函数增加网络之间的非线性关系；

S3.2.对重点用户参与度趋势子序列进行时域卷积网络的扩张因果卷积运算，运算公式为： （17），

其中，F为卷积核，f表示卷积层，m表示卷积层层数索引，xs表示当前考虑的时间步，，d为扩张因子，c为卷积核尺寸， 为卷积运算符， 为历史数据，表示只对过去状态做卷积运算。

2.根据权利要求1所述的互联网营销活动重点用户参与度趋势预测方法，其特征在于：所述S1.4计算各时间段的日均参与度后，还对各时间段的日均参与度进行归一化处理，使得不同特征的数据缩放到同一尺度上，并按照时间顺序对归一化处理后的日均参与度进行排序，构建重点用户参与度趋势序列；

所述的归一化处理的公式为：

  （4），

其中，Norm(t)表示归一化处理后的日均参与度，Pmax和Pmin分别表示一段时间内最大和最小参与度。

3.根据权利要求1所述的互联网营销活动重点用户参与度趋势预测方法，其特征在于：所述的变分模态模型包括以下约束：

（5），

（6）。

4.根据权利要求1所述的互联网营销活动重点用户参与度趋势预测方法，其特征在于：所述S2.7收敛精度的计算公式为：

 （11）。

5.根据权利要求1所述的互联网营销活动重点用户参与度趋势预测方法，其特征在于：所述S3采用DenseNet网络的密集连接方式改进时域卷积网络具体是：将时域卷积网络中的残差网络结构替换为DenseNet网络结构，DenseNet网络结构的密集块采用BN层、ReLU激活函数、Conv转化器的组合结构，ReLU激活函数的表达式为： （16），

其中，xl表示第l层输出，Hl表示第l层的非线性变换。