1.一种基于时空关联性的异常交易识别方法，其特征在于，所述方法包括：S1、收集多元时序交易数据；

S2、对所述多元时序交易数据进行数据标准化处理，将不同特征的数据转换为相同的尺度，标准化处理后，数据将具有相同的均值和标准差；

S3、将数据标准化处理后的多元时序交易数据，按时间窗口划分为多个目标多元时序交易数据；

S4、基于各个所述目标多元时序交易数据，构建图结构输入；

S5、以所述图结构输入作为图注意力网络的输入，输出所述图结构输入的时空特征；

S6、基于所述时空特征和各个所述目标多元时序交易数据，使用Transformer模型进行特征重建，得到与各个所述目标多元时序交易数据呈一一对应关系的重建多元时序交易数据；

S7、计算各个所述目标多元时序交易数据与对应的所述重建多元时序交易数据之间的重建误差，作为各个所述目标多元时序交易数据的异常得分；

S8、判断各个所述目标多元时序交易数据的异常得分是否小于动态异常得分阈值；若是，将所述目标多元时序交易数据识别为正常交易数据；否则，将所述目标多元时序交易数据识别为异常交易数据；

S9、将所述异常交易数据发送至管理人员进行人工确认，生成关于所述异常交易数据的报告。

2.根据权利要求1所述的基于时空关联性的异常交易识别方法，其特征在于，所述多元时序交易数据具体包括：交易价格、最高交易价、最低交易价、成交量、成交笔数以及价格变动幅度。

3.根据权利要求1所述的基于时空关联性的异常交易识别方法，其特征在于，所述S3具体包括：S301：设置时间窗口的时间步长；

S302：基于所述时间步长，以滑动窗口的方式，将数据标准化处理后的多元时序交易数据划分为T个目标多元时序交易数据：（1）

其中，表示多元时序交易数据的集合， 表示第t个时间窗口数据， ，P表示时间窗口的总数。

4.根据权利要求1所述的基于时空关联性的异常交易识别方法，其特征在于，所述S4具体包括：S401：将各个目标多元时序交易数据中的单一时间序列，划分成多个时间段序列；

S402：将每个时间段序列作为一个图节点，构建图节点的集合，其中，每个图节点代表一种交易特征：（2）

其中，E表示图结构输入的数据矩阵， 表示实数域，K表示时间段的总数，N表示多元时间序列的特征数量，l表示时间步长；

S403：将同一时间窗口内具有空间相关性的交易特征进行连接，构建包含空间相关性的边；

S404：将不同时间窗口内具有时间相关性的交易特征进行连接，构建包含时间相关性的边；

S405：将各个所述图节点与对应的各条边组合，形成所述图结构输入。

5.根据权利要求4所述的基于时空关联性的异常交易识别方法，其特征在于，所述S5具体包括：S501：计算所述图结构输入中每对节点之间的注意力分数：（3）

其中， 表示第i个节点与第j个节点之间的注意力分数，LeakyReLU表示激活函数，表示第i个节点的特征向量， 表示第j个节点的原始特征向量，W表示权重矩阵，表示学习的注意力系数，T表示转置运算，表示按列拼接， 表示第i个节点的邻居节点集合；

S502：将每对节点之间的所述注意力分数进行归一化处理，得到归一化注意力分数：（4）

其中， 表示第i个节点与第j个节点之间的归一化注意力分数，exp表示指数函数，k表示第i个节点的所有邻居节点集合， 表示第i个节点与第d个节点之间的注意力分数；

S503：基于所述归一化注意力分数，对相应的邻居节点特征进行加权聚合，得到多个聚合特征：（5）

其中， 表示第i个节点的聚合特征，表示激活函数，W表示权重矩阵， 表示第j个节点的更新特征向量；

S504：将各个所述聚合特征进行组合作为所述图结构输入的时空特征输出。

6.根据权利要求5所述的基于时空关联性的异常交易识别方法，其特征在于，所述S6具体包括：S601：对所述图结构输入的时空特征进行维度变换，调整所述时空特征的维度，将原本复杂、多维的时空特征调整至符合Transformer输入要求的统一维度，同时保留图结构输入的丰富特性；

S602：将维度变换后的时空特征与各个所述目标多元时序交易数据进行合并，得到合并数据；

S603：将合并数据输出至Transformer模型，计算查询向量、键向量以及值向量：（6）

（7）

（8）

其中，Q表示Transformer模型中的查询向量，F表示合并数据， 表示查询向量的权重矩阵， 表示查询向量的偏置项，K表示Transformer模型中的键向量， 表示键向量的权重矩阵， 表示键向量的偏置项，V表示Transformer模型中的值向量；

S604：利用所述查询向量和所述键向量之间的关系，计算目标注意力分数：（9）

其中，表示目标注意力分数，表示softmax操作，T表示转置运算，d表示查询向量和键向量的维度；

S605：根据所述目标注意力分数，对所述值向量进行加权聚合，得到节点加权特征：（10）

其中，s表示节点加权特征，LayerNorm表示层归一化；

S606：利用所述Transformer模型的前馈层提取所述节点加权特征的高维特征：（11）

其中，S表示前馈层计算得到的的高维特征，ReLU表示激活函数， 表示第一层的权重矩阵， 表示第一层的偏置项， 表示第二层的权重矩阵， 表示第二层的偏置项；

S607：通过所述Transformer模型的解码器，将所述高维特征重建为与各个所述目标多元时序交易数据呈一一对应关系的重建多元时序交易数据：（12）

其中， 表示重建的多元时序交易数据， 表示第三层的权重矩阵， 表示第三层的偏置项。

7.根据权利要求1所述的基于时空关联性的异常交易识别方法，其特征在于，所述异常得分的计算方式具体为：（13）

其中， 表示第t个时间窗口的异常得分， 表示目标多元时序交易数据中第n个特征在第k个时间步长的值，N表示特征的总数，L表示时间步的总数， 表示重建数据中第n个特征在第k个时间步长的值。

8.根据权利要求1所述的基于时空关联性的异常交易识别方法，其特征在于，所述动态异常得分阈值的计算方式具体为：（14）

（15）

（16）

其中， 表示第t个时间窗口的动态异常得分阈值， 表示第t个时间窗口异常得分的均值， 表示第t个时间窗口异常得分的标准差， 表示灵敏度系数， 表示第i个历史时间窗口的异常得分，P表示时间窗口的总数。

9.一种基于时空关联性的异常交易识别系统，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8中任一项所述的基于时空关联性的异常交易识别方法。