1.基于时空分布异常检测的突发传染病智能定位系统，其特征在于：包括数据采集模块、时空特征建模模块、时空分布异常检测模块、传染病智能定位模块、传播趋势预测模块和可视化模块，具体包括以下内容：所述数据采集模块收集传染病相关数据；

所述时空特征建模模块使用时空图卷积网络对传染病相关数据进行时空编码和建模，提取传染病的时空分布特征；

所述时空分布异常检测模块设计一种融合多准则相似度与动态簇合并机制的分层聚类方法对时空分布特征进行异常检测，得到异常检测结果；

所述传染病智能定位模块根据异常检测结果，使用图神经网络模型构建感染源溯源图，定位出潜在感染源位置；

所述传播趋势预测模块基于可能的感染源，构建基于图扩散机制的传染病传播定位模型，得到未来风险传播区域；

所述可视化模块将异常检测结果、潜在感染源位置和未来风险传播区域通过图形化展示；

所述时空分布异常检测模块，设计一种融合多准则相似度与动态簇合并机制的分层聚类方法对时空分布特征进行异常检测，具体包括以下步骤：步骤S1：输入获取，接收时空分布特征，表示如下：；

其中，表示时空分布特征集合，表示第个时空分布特征向量，表示索引；

步骤S2：扩展建模，设计一个高斯分布映射模型，将每个时空分布特征向量映射为对应的多维高斯三元组参数，表示如下：；

其中， 为第 个时空分布特征向量的期望值，表示时空分布中心， 和 为第 个时空分布特征向量的熵和超熵，表示时空分布的不确定性范围和时空分布变化的不稳定度，表示第个时空分布特征向量；

步骤S3：计算相似矩阵，基于多维高斯三元组参数，设计一个密度相似度函数，计算任意两个特征点间的综合相似性评分，所用密度相似度函数表示如下：；

；

其中， 表示第 个和第 个时空分布特征向量的综合相似度，为平滑因子，避免除零的常数， 是基于超熵的调节函数；

步骤S4：异常聚类，基于时空特征间关联结构，基于多维高斯三元组间的相似性矩阵，设计一种融合多准则相似度与动态簇合并机制的分层聚类方法，对相似矩阵进行异常检测，得到异常聚类结果；

步骤S5：融合特征构造，将异常聚类结果与时空分布特征集合进行组合，构造融合特征向量；

步骤S6：输出结果，将融合特征向量输入至基于梯度提升树的分类模型中，进行异常判别，输出每个时空分布特征向量对应的异常检测结果。

2.根据权利要求1所述的基于时空分布异常检测的突发传染病智能定位系统，其特征在于：步骤S4，设计一种融合多准则相似度与动态簇合并机制的分层聚类方法，对相似矩阵进行异常检测，具体包括以下步骤：步骤S41：多策略相似性矩阵扩展，在相似矩阵的基础上引入多策略相似性融合机制，融合后的相似性矩阵表示为：；

其中， 为融合后的相似性矩阵，、和 表示可调参数，满足 ，满足 ，表示高斯核函数的尺度调节参数；

步骤S42：初始聚类簇构建，以融合后的相似性矩阵为基础，定义每个时空分布特征向量对应一个初始聚类簇；

步骤S43：构建解释型相似度视图，构建解释型图结构 ，其中，节点集为，边集为 ；

步骤S44：多层级相似性融合，引入聚类层级结构定义，记第层级表示执行第轮相似性合并后所形成的簇划分状态，设计一种基于多轮相似性阈值自适应调节的层级聚类策略，对解释型图结构进行逐层合并，得到最终聚类结构；

步骤S45：异常边界检测，在最终聚类结构的基础上，设计一种基于层间簇结构变化分析的异常检测方法，识别出异常点；

步骤S46：异常点输出，将步骤S45中识别得到的异常点整理为异常点集合，作为潜在时空分布异常点。

3.根据权利要求2所述的基于时空分布异常检测的突发传染病智能定位系统，其特征在于：步骤S44，具体包括以下步骤：步骤S441：簇间相似度度量构建，解释型图结构中每个节点表示一个时空分布特征向量，根据步骤S42，每个节点也构成一个聚类簇，任意两个簇间的相似度定义为：；

其中， 表示 层级下簇 和簇 的平均相似度；

步骤S442：图结构层级合并，设定初始相似度阈值，当任意簇对 满足时，则将 和 合并为新簇 ，并更新解释型图结构为下一层级 ，其中节点集 为合并后的簇；

步骤S443：阈值自适应调节，引入聚类变动指标更新阈值调节因子，阈值调节因子更新公式如下：；

其中， 表示  层级下的相似度阈值， 表示  层级下的相似度阈值，为阈值调节因子， 为聚类变动指标；

步骤S444：终止判定，设定最大迭代次数，达到最大迭代次数时，输出最终聚类结构 ，传入步骤S45执行异常边界检测。