1.一种基于捕捉变量间关系的碳排放预测方法，其特征在于，所述方法包括：基于预设的交通碳排放影响因素集合，计算所述交通碳排放影响因素集合与交通碳排放量之间的相关性，并进行初步筛选，得到初步变量候选池；

对所述初步变量候选池进行多重共线性检测并更新，生成筛选后的变量候选池；

通过XGBoost算法对所述筛选后的变量候选池进行非线性关系分析，筛选得到关键变量序列；

将所述关键变量序列与交通碳排放量输入至Transformer模型，进行特征嵌入和位置编码，生成时序向量；

对所述时序向量分别预测不同级别水平下的交通碳排放水平，所述级别水平包括低碳、基准、高碳。

2.根据权利要求1所述的一种基于捕捉变量间关系的碳排放预测方法，其特征在于，计算所述交通碳排放影响因素集合与交通碳排放量之间的相关性，并进行初步筛选，得到初步变量候选池，具体包括：通过Pearson相关系数法，计算所述交通碳排放影响因素集合与交通碳排放量之间的线性关系，得到Pearson相关系数；

筛选所述Pearson相关系数大于第一预设阈值的第一影响变量；

通过Spearman秩相关系数法，计算所述交通碳排放影响因素集合与交通碳排放量之间的单调关系，得到Spearman秩相关系数；

筛选所述Spearman秩相关系数大于第二预设阈值的第二影响变量；

结合所述第一影响变量和第二影响变量，得到初步变量候选池。

3.根据权利要求2所述的一种基于捕捉变量间关系的碳排放预测方法，其特征在于，对所述初步变量候选池进行多重共线性检测并更新，生成筛选后的变量候选池，具体包括：计算所述第一影响变量和第二影响变量的VIF指数，筛选存在多重共线性的变量；

针对所述初步变量候选池中的变量，计算所述存在多重共线性的变量与剩余变量的皮尔逊相关系数；

将所述皮尔逊相关系数归一化，得到各变量的权重系数；

根据所述权重系数，对所述存在多重共线性的变量进行加权重构，生成所述筛选后的变量候选池。

4.根据权利要求1所述的一种基于捕捉变量间关系的碳排放预测方法，其特征在于，通过XGBoost算法对所述筛选后的变量候选池进行非线性关系分析，筛选得到关键变量序列，具体包括：对所述筛选后的变量候选池中的变量数据进行数据标准化和缺失值处理，并对所述级别水平进行独热编码；

通过交叉验证法将处理后的变量数据分为训练集和测试集；

计算所述训练集的信息增益值，以得到对碳排放预测的贡献度；

对所述信息增益值进行排序，得到预设比例的关键变量序列。

5.根据权利要求1所述的一种基于捕捉变量间关系的碳排放预测方法，其特征在于，将所述关键变量序列与交通碳排放量输入至Transformer模型，进行特征嵌入和位置编码，生成时序向量，具体包括：通过线性嵌入层将所述关键变量序列映射至固定维度的向量空间，得到嵌入向量；

对所述关键变量序列进行位置编码；

将所述位置编码与嵌入向量相加，得到时序输入向量。

6.根据权利要求1所述的一种基于捕捉变量间关系的碳排放预测方法，其特征在于，对所述时序向量分别预测不同级别水平下的交通碳排放水平，具体包括：通过多头自注意力机制捕捉所述时序向量的长距离依赖关系，并叠加残差连接和归一化处理；

将归一化后的特征输入至前馈神经网络，通过解码器生成预测值。

7.根据权利要求1所述的一种基于捕捉变量间关系的碳排放预测方法，其特征在于，在对所述初步变量候选池进行多重共线性检测并更新，生成筛选后的变量候选池之前，所述方法还包括：获取卫星遥感图像数据，通过卷积神经网络提取区域交通网络的密度特征；

获取交通监控视频，提取车流量特征；

结合所述密度特征和车流量特征，生成多源特征张量；

将所述多源特征张量与预设的交通碳排放影响因素集合，共同进行多重共线性检测，得到融合型候选变量池。

8.根据权利要求1所述的一种基于捕捉变量间关系的碳排放预测方法，其特征在于，在基于预设的交通碳排放影响因素集合，计算所述交通碳排放影响因素集合与交通碳排放量之间的相关性之前，所述方法还包括：获取交通能源的消耗量数据，所述交通能源包括煤炭、原油、汽油和柴油；

根据预设的标准煤折算系数，将所述交通能源的消耗量数据统一转换为标准煤当量；

结合排放因子，通过加权求和计算所述交通碳排放量。

9.一种基于捕捉变量间关系的碳排放预测设备，其特征在于，所述设备包括：至少一个处理器；

以及，与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：基于预设的交通碳排放影响因素集合，计算所述交通碳排放影响因素集合与交通碳排放量之间的相关性，并进行初步筛选，得到初步变量候选池；

对所述初步变量候选池进行多重共线性检测并更新，生成筛选后的变量候选池；

通过XGBoost算法对所述筛选后的变量候选池进行非线性关系分析，筛选得到关键变量序列；

将所述关键变量序列与交通碳排放量输入至Transformer模型，进行特征嵌入和位置编码，生成时序向量；

对所述时序向量分别预测不同级别水平下的交通碳排放水平，所述级别水平包括低碳、基准、高碳。

10.一种基于捕捉变量间关系的碳排放预测的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：基于预设的交通碳排放影响因素集合，计算所述交通碳排放影响因素集合与交通碳排放量之间的相关性，并进行初步筛选，得到初步变量候选池；

对所述初步变量候选池进行多重共线性检测并更新，生成筛选后的变量候选池；

通过XGBoost算法对所述筛选后的变量候选池进行非线性关系分析，筛选得到关键变量序列；

将所述关键变量序列与交通碳排放量输入至Transformer模型，进行特征嵌入和位置编码，生成时序向量；

对所述时序向量分别预测不同级别水平下的交通碳排放水平，所述级别水平包括低碳、基准、高碳。