1.一种建筑空调系统负荷预测方法，其特征在于，包括：

获取建筑空调系统中不同位置空调的冷负荷历史时序数据和对应历史时段的负荷影响数据作为样本数据；

将双向时间卷积网络中的扩展因果卷积层转换为2D卷积得到双向空间卷积网络，在双向空间卷积网络和双向长短期记忆网络形成的并行结构后串接交叉注意力模块，构建预测模型；

将样本数据对应历史时刻后历史目标时刻的建筑空调系统中不同位置空调的冷负荷时序数据标注为真实负荷数据；将样本数据输入预测模型中，得到预测负荷数据，以预测负荷数据和真实负荷数据之间的偏差最小为优化目标对预测模型进行多轮训练，并在每轮训练中，采用冠豪猪优化算法对双向空间卷积网络的卷积核数量、双向长短期记忆网络的隐藏单元数量和Dropout率、动态时间注意力模块和交叉注意力模块的隐藏层大小进行超参数寻优，得到建筑空调系统负荷预测模型；

将待预测数据输入建筑空调系统负荷预测模型，通过双向空间卷积网络提取不同位置空调冷负荷时序数据的空间分布特征以及各类负荷影响数据和不同位置空调冷负荷时序数据的影响关系特征，通过长短期记忆神经网络提取待预测数据中不同位置空调冷负荷时序数据和各类负荷影响数据的时序变化特征，通过交叉注意力模块融合时序变化特征、空间分布特征和影响关系特征得到融合特征，以根据融合特征确定建筑空调系统中各空调在目标时刻的冷负荷；

其中，所述负荷影响数据包括：室外温度、室内温度、室外湿度、室内湿度、太阳辐射强度、风速、节假日属性信息、建筑物各区域实时人员数量、空调系统的供水温度和回水温度中至少一种；

冠豪猪优化算法以预设的测试样本的预测准确率作为适应度函数；所述适应度函数为不同时间段加权的测试样本的预测均方根误差，所述不同时间段加权表征不同时间段预测准确性的重要性；

所述影响关系特征表征不同位置的各类负荷影响数据和不同位置空调冷负荷时序数据之间的影响关系。

2.如权利要求1所述的建筑空调系统负荷预测方法，其特征在于，所述获取建筑空调系统中不同位置空调的冷负荷历史时序数据和对应历史时段的负荷影响数据，具体包括：获取建筑空调系统中不同位置空调的冷负荷历史时序数据；

获取对应历史时段的包括室外温度、室内温度、室外湿度、室内湿度、太阳辐射强度、风速、节假日属性信息、建筑物内实时人员数量、空调系统的供水温度和回水温度在内的多类负荷影响数据；

针对每个位置的空调，确定该位置空调的冷负荷历史时序数据与各类负荷影响数据之间的余弦相似度，以根据余弦相似度和预设相似度阈值，对各类负荷影响数据进行筛选，从中确定用于对该位置进行负荷预测的一类或多类负荷影响数据。

3.如权利要求2所述的建筑空调系统负荷预测方法，其特征在于，所述2D卷积为2D掩码卷积；

所述通过双向空间卷积网络提取各类负荷影响数据和不同位置空调冷负荷时序数据的影响关系特征，具体包括：针对每个位置的空调，通过2D掩码卷积对各类负荷影响数据中用于对该位置进行负荷预测的负荷影响数据以外的数据进行掩码；

提取掩码后的各类负荷影响数据和不同位置空调冷负荷时序数据的影响关系特征。

4.如权利要求1所述的建筑空调系统负荷预测方法，其特征在于，所述并行结构包括两个分支，第一分支包括双向空间卷积网络，第二分支包括依次串接的双向长短期记忆网络和动态时间注意力模块；其中，动态时间注意力模块通过多个并行的不同时间尺度的时间嵌入模块串接自注意力模块得到；

所述通过长短期记忆神经网络提取待预测数据中不同位置空调冷负荷时序数据和各类负荷影响数据的时序变化特征，通过交叉注意力模块融合时序变化特征、空间分布特征和影响关系特征得到融合特征，具体包括：通过长短期记忆神经网络提取待预测数据中不同位置空调冷负荷时序数据和各类负荷影响数据的时序变化特征；

通过动态时间注意力模块对时序变化特征中不同时间对应特征进行时间加权；

通过交叉注意力模块融合时间加权后的时序变化特征、空间分布特征和影响关系特征得到融合特征。

5.如权利要求1所述的建筑空调系统负荷预测方法，其特征在于，所述负荷影响数据包括：室外温度、室内温度、室外湿度、室内湿度、太阳辐射强度、风速、节假日属性信息、建筑物各区域实时人员数量、空调系统的供水温度和回水温度中至少一种。

6.如权利要求5所述的建筑空调系统负荷预测方法，其特征在于，所述方法还包括：

根据样本数据训练预测模型的过程中，采用随机森林算法对样本数据中各类负荷影响数据进行敏感性检验，并根据预设敏感性阈值确定各类负荷影响数据中的冗余数据类型并剔除。

7.一种建筑空调系统负荷预测装置，其特征在于，包括：

获取模块，用于获取建筑空调系统中不同位置空调的冷负荷历史时序数据和对应历史时段的负荷影响数据作为样本数据；

构建模块，用于将双向时间卷积网络中的扩展因果卷积层转换为2D卷积得到双向空间卷积网络，在双向空间卷积网络和双向长短期记忆网络形成的并行结构后串接交叉注意力模块，构建预测模型；

训练模块，用于将样本数据对应历史时刻后历史目标时刻的建筑空调系统中不同位置空调的冷负荷时序数据标注为真实负荷数据；将样本数据输入预测模型中，得到预测负荷数据，以预测负荷数据和真实负荷数据之间的偏差最小为优化目标对预测模型进行多轮训练，并在每轮训练中，采用冠豪猪优化算法对双向空间卷积网络的卷积核数量、双向长短期记忆网络的隐藏单元数量和Dropout率、动态时间注意力模块和交叉注意力模块的隐藏层大小进行超参数寻优，得到建筑空调系统负荷预测模型；

预测模块，用于将待预测数据输入建筑空调系统负荷预测模型，通过双向空间卷积网络提取不同位置空调冷负荷时序数据的空间分布特征以及各类负荷影响数据和不同位置空调冷负荷时序数据的影响关系特征，通过长短期记忆神经网络提取待预测数据中不同位置空调冷负荷时序数据和各类负荷影响数据的时序变化特征，通过交叉注意力模块融合时序变化特征、空间分布特征和影响关系特征得到融合特征，以根据融合特征确定建筑空调系统中各空调在目标时刻的冷负荷；

其中，所述负荷影响数据包括：室外温度、室内温度、室外湿度、室内湿度、太阳辐射强度、风速、节假日属性信息、建筑物各区域实时人员数量、空调系统的供水温度和回水温度中至少一种；

冠豪猪优化算法以预设的测试样本的预测准确率作为适应度函数；所述适应度函数为不同时间段加权的测试样本的预测均方根误差，所述不同时间段加权表征不同时间段预测准确性的重要性；

所述影响关系特征表征不同位置的各类负荷影响数据和不同位置空调冷负荷时序数据之间的影响关系。

8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～6任一项所述的方法。

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1～6任一所述的方法。