1.一种基于混合双向时域卷积网络的数据处理方法，其特征在于，所述方法包括如下步骤：

S100，接收当前的模型训练请求信息，所述模型训练请求信息包括需要训练的原始模型和用于训练模型的原始数据集；其中，所述原始模型包括依次连接的双向时域卷积网络模块、双向门控循环单元模块、特征权重分配模块和输出预测模块，所述原始数据集包括多条原始数据，每条原始数据包含输入信息与输出信息，输入信息包括航班的基础属性、时间相关特征、空间相关特征、运行状态以及环境信息；输出信息为航班的实际到达时间；

S200，对原始数据的输入信息进行第一预处理操作，得到第一预处理结果并作为输入特征向量，对输出信息进行第二预处理操作，得到第二预处理结果并作为目标值；将每条原始数据对应的输入特征向量与目标值组合为一条训练数据，由此得到用于对原始模型进行训练的训练数据集；

S300，分别基于第一滑动窗口机制、第二滑动窗口机制和第三滑动窗口机制，将训练数据集划分为第一训练数据集、第二训练数据集和第三训练数据集；其中，第一滑动窗口机制的滑动步长为1个第一时间维度，窗口长度为L1个第一时间维度，L1≥1；第二滑动窗口机制的滑动步长为1个第二时间维度，窗口长度为L2个第二时间维度，L2≥1；第三滑动窗口机制的滑动步长为1个第三时间维度，窗口长度为L3个第三时间维度，L3≥1，并且，第一时间维度的时长小于第二时间维度的时长，第二时间维度的时长小于第三时间维度的时长；

S400，基于每个训练数据集，对所述原始模型进行训练，得到训练好的原始模型，作为该训练数据集对应的目标模型。

2.根据权利要求1所述的方法，其特征在于，所述特征权重分配模块为多头注意力机制模块。

3.根据权利要求2所述的方法，其特征在于，在对所述原始模型进行训练的过程中，需要更新的超参数包括学习率、双向门控循环单元的神经元数量、特征权重分配模块的注意力机制键值数和L2正则化系数。

4.根据权利要求3所述的方法，其特征在于，使用冠豪猪优化算法对所述超参数进行更新。

5.根据权利要求1所述的方法，其特征在于，所述第一时间维度为日，所述第二时间维度为周，所述第三时间维度为月。

6.根据权利要求1所述的方法，其特征在于，所述双向时域卷积网络模块由前向残差模块、数据翻转层、后向残差模块和特征拼接模块组成；其中，前向残差模块和后向残差模块的结构相同，每个残差模块包括一个一维卷积层、第一卷积块、第二卷积块和残差拼接单元；第一卷积块和第二卷积块的结构相同，每个卷积块包括依次连接的扩张因果卷积层、权重归一化层和批标准化层、激活函数层和丢弃层，其中，数据翻转层与后向残差模块的第一卷积块的扩张卷积层连接，第一卷积块的丢弃层与第二卷积块的扩张因果卷积层连接，每个残差模块的一维卷积层和第二卷积块的丢弃层与对应的残差拼接单元连接，每个残差模块的残差拼接单元与所述特征拼接模块连接。

7.根据权利要求1所述的方法，其特征在于，还包括如下步骤：

S500，当接收到待处理数据集时，基于接收到的待处理数据集对应的时间范围，获取对应的目标模型；待处理数据集包括航班的基础属性、时间相关特征、空间相关特征、运行状态以及环境信息；

S600，获取所述待处理数据集对应的输入特征向量，并将获取的输入特征向量输入对应的目标模型中，得到对应的预测结果，并输出该预测结果。

8.一种电子设备，其特征在于，包括处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至7任一项所述方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序或指令，所述程序或指令使计算机执行如权利要求1至7任一项所述方法的步骤。