1.一种基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法，其特征在于，包括：确认目标区域，获取所述目标区域现有的多个时刻的第一数据和第二数据；所述第一数据包括二氧化碳柱浓度数据和气象数据，所述第二数据包括所述目标区域的区域网格化气象数据；

融合所述第一数据的时刻动态特征和所述第二数据的时空动态特征，获取融合特征；

其中：

获取所述第一数据的时刻动态特征的步骤包括：

将各个时刻的所述第一数据转化为第一向量；所述第一向量的表征公式包括：其中，xt为对应时刻t的第一向量，t＝1、2……Tinput，Tinput为时刻的数量； 为维度为dmain的矩阵，dmain为第一数据中参量类型的数量，所述参量类型包括所述二氧化碳柱浓度数据参量和所述气象数据参量；

基于所述时刻的顺序，通过多个所述第一向量更新多层长短时记忆网络的隐藏状态和记忆状态；其表征公式包括：ht,ct＝LSTM(xt,ht‑1,ct‑1)；

其中，ht为对应时刻t的所述多层长短时记忆网络的隐藏状态；ct为对应时刻t的所述多层长短时记忆网络的记忆单元状态；LSTM为多层长短时记忆网络；xt为对应时刻t的第一向量；ht‑1为对应时刻t‑1的所述多层长短时记忆网络的隐藏状态；ct‑1为对应时刻t‑1的所述多层长短时记忆网络的记忆单元状态；

输出更新后的所述隐藏状态的序列为所述第一数据的时刻动态特征；

获取所述第二数据的时空动态特征的步骤包括：

获取所述第二数据的网格信息，基于所述网格信息将各个所述第二数据转化为第二向量；所述第二向量的表征公式包括：其中，yt为对应时刻t的第二向量，t＝1、2……Tinput，Tinput为时刻的数量； 为维度为H×W×C的矩阵，H为所述气象数据网格化后网格的高度，W为所述气象数据网格化后网格的宽度，C为数据通道数；

将所述第二向量输入卷积神经网络，获取所述第二数据的空间特征；

将所述空间特征输入多层长短时记忆网络，基于所述时刻的顺序，通过多个所述空间特征提取所述第二数据的时空动态特征；其表征公式包括：其中，Faux为所述第二数据的时空动态特征；LSTM为所述多层长短时记忆网络；Fspatial,t为对应时刻t的第二数据的空间特征；Tinput为时刻的数量； 为维度为Tinpnt×daux_features的矩阵，daux_features为LSTM输出的第二数据的时刻动态特征维度；

基于扩散模型对所述融合特征进行前向扩散和逆向去噪，获取初步预测结果；

基于局部平滑性损失约束所述初步预测结果中相邻所述时刻之间平滑过度，并基于趋势一致性损失约束所述初步预测结果与现有的所述二氧化碳柱浓度数据变化趋势的一致性，获取最终预测结果。

2.根据权利要求1所述的基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法，其特征在于，所述融合所述第一数据的时刻动态特征和所述第二数据的时空动态特征，获取融合特征的步骤包括：基于所述时空动态特征的维度，将所述时刻动态特征和所述时空动态特征进行拼接，获取拼接特征；

基于自注意力机制对所述拼接特征进行加权处理，获取加权特征；

基于所述自注意力机制获取所述加权特征中特征之间的相似度，并基于所述相似度提高关键特征的权重，获取所述融合特征。

3.根据权利要求1所述的基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法，其特征在于，所述前向扩散的步骤包括：获取各个时刻对应的权重系数；

在所述扩散模型中，基于所述权重系数对所述融合特征添加高斯噪声，获取各个时刻的噪声序列；其表征公式包括：其中，Xt为第t个时刻下对应的噪声序列；Xfused为所述融合特征；αt为对应时刻t的权重系数；∈为所述高斯噪声。

4.根据权利要求3所述的基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法，其特征在于，所述逆向去噪的步骤包括：基于所述权重系数，通过噪声预测网络对所述噪声序列进行逆向去噪操作，获取初步预测结果；其表征公式包括：其中，Xt‑1为t‑1时刻逆向去噪后的结果；βt为第t步扩散过程中的噪声强度参数，用于控制高斯扰动程度，βt∈(0,1)；∈θ为噪声预测网络；C为现有的气象数据、时刻编码和二氧化碳柱浓度分布；z为从标准正态分布中采样的随机噪声向量，用于模拟扩散过程中的噪声。

5.根据权利要求1所述的基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法，其特征在于，所述局部平滑性损失的表征公式包括：其中，Llocal为所述局部平滑性损失；Tfuture为未来预测的时刻跨度，用于平衡不同时刻窗口下趋势的增长幅度；t为时刻的排序号；Xt为扩散逆过程中t时刻的生成结果；Xt‑1为扩散逆过程中t‑1时刻的生成结果；ω(·)为动态权重函数；αt为调节偏离程度的控制参数，用于控制权重的下降速率；μt为Xt的均值；σt为Xt的标准差。

6.根据权利要求1所述的基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法，其特征在于，所述趋势一致性损失的表征公式包括：其中，Ltrend为所述趋势一致性损失； 为预测的未来数据序列的平均变化趋势； 为现有的数据序列的平均变化趋势；kt·Tfuture为显式的斜率调整项，kt为预设的现有上升趋势的斜率，Tfuture为未来预测的时刻跨度，用于平衡不同时刻窗口下趋势的增长幅度。

7.一种基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测系统，其特征在于，包括：数据获取模块(10)，所述数据获取模块(10)用于确认目标区域，获取所述目标区域现有的多个时刻的第一数据和第二数据；所述第一数据包括二氧化碳柱浓度数据和气象数据，所述第二数据包括所述目标区域的区域网格化气象数据；

时空特征融合模块(20)，所述时空特征融合模块(20)用于融合所述第一数据的时刻动态特征和所述第二数据的时空动态特征，获取融合特征；其中：获取所述第一数据的时刻动态特征的步骤包括：

将各个时刻的所述第一数据转化为第一向量；所述第一向量的表征公式包括：其中，xt为对应时刻t的第一向量，t＝1、2……Tinput，Tinput为时刻的数量； 为维度为dmain的矩阵，dmain为第一数据中参量类型的数量，所述参量类型包括所述二氧化碳柱浓度数据参量和所述气象数据参量；

基于所述时刻的顺序，通过多个所述第一向量更新多层长短时记忆网络的隐藏状态和记忆状态；其表征公式包括：ht,ct＝LSTM(xt,ht‑1,ct‑1)；

其中，ht为对应时刻t的所述多层长短时记忆网络的隐藏状态；ct为对应时刻t的所述多层长短时记忆网络的记忆单元状态；LSTM为多层长短时记忆网络；xt为对应时刻t的第一向量；ht‑1为对应时刻t‑1的所述多层长短时记忆网络的隐藏状态；ct‑1为对应时刻t‑1的所述多层长短时记忆网络的记忆单元状态；

输出更新后的所述隐藏状态的序列为所述第一数据的时刻动态特征；

获取所述第二数据的时空动态特征的步骤包括：

获取所述第二数据的网格信息，基于所述网格信息将各个所述第二数据转化为第二向量；所述第二向量的表征公式包括：其中，yt为对应时刻t的第二向量，t＝1、2……Tinput，Ttnput为时刻的数量； 为维度为H×W×c的矩阵，H为所述气象数据网格化后网格的高度，W为所述气象数据网格化后网格的宽度，C为数据通道数；

将所述第二向量输入卷积神经网络，获取所述第二数据的空间特征；

将所述空间特征输入多层长短时记忆网络，基于所述时刻的顺序，通过多个所述空间特征提取所述第二数据的时空动态特征；其表征公式包括：其中，Faux为所述第二数据的时空动态特征；LSTM为所述多层长短时记忆网络；Fspatial,t为对应时刻t的第二数据的空间特征；Tinput为时刻的数量； 为维度为Tinput×daux_features的矩阵，daux_features为LSTM输出的第二数据的时刻动态特征维度；

浓度预测模块(30)，所述浓度预测模块(30)用于对所述融合特征进行前向扩散和逆向去噪，获取初步预测结果；

时刻一致性约束模块(40)，所述时刻一致性约束模块(40)用于基于局部平滑性损失约束所述初步预测结果中相邻所述时刻之间平滑过度，并基于趋势一致性损失约束所述初步预测结果与现有的所述二氧化碳柱浓度数据变化趋势的一致性，获取最终预测结果。

8.一种电子设备，其特征在于，包括存储器(100)和处理器(200)，所述存储器(100)存储有所述处理器(200)可执行的计算机程序，所述处理器(200)执行所述计算机程序时实现如权利要求1‑6中任一项所述的基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法的步骤。