1.一种基于重构与分解的钱塘江涌潮协同预测方法，其特征在于，包括：

S1、对钱塘江历史潮汐事件的原始时序数据进行重构，将每一个低潮事件与紧随其后的第一个高潮事件配对构成一个涨潮事件对，提取每个涨潮事件对的低潮潮位、高潮潮位、涨潮历时、潮汐周期、年内日、农历日一共六个变量维度的特征并进行归一化，得到由六条单变量时间序列组成的多元时间序列；

S2、将多元时间序列输入经过训练的涌潮协同预测模型，依次经过多个堆叠的动态局部‑全局学习模块和预测解码器，每个所述动态局部‑全局学习模块内部先将每个变量维度的单变量时间序列输入自适应周期分解模块，得到多个代表不同频率特性的周期分量，然后将每个周期分量输入多尺度时序变化学习模块，并行地从每一个所述周期分量中提取全局特征和局部特征后进行融合，再将所有周期分量的融合特征向量输入自适应聚合模块进行二维卷积和重加权，得到每个变量维度的最终特征表示，最后将六个变量维度的最终特征表示输入多变量交互聚合模块进行变量维度之间的交互聚合，以交互聚合特征作为模块输出；预测解码器接收最后一个动态局部‑全局学习模块输出的交互聚合特征，并通过全连接层将其映射为预测窗口中涨潮事件对的低潮潮位、高潮潮位、涨潮历时和潮汐周期，进而按时序依次计算预测窗口内的每个潮汐事件的潮位和时间。

2.如权利要求1所述的基于重构与分解的钱塘江涌潮协同预测方法，其特征在于，每个涨潮事件对六个变量维度的特征提取方式为：从当前涨潮事件对内的低潮事件和高潮事件中分别提取低潮潮位和高潮潮位，计算以当前涨潮事件对内的高潮事件与低潮事件的时间戳之差作为涨潮历时，以下一个涨潮事件对内的低潮事件与当前涨潮事件对内的低潮事件的时间戳之差作为潮汐周期，以当前涨潮事件对内的低潮事件时间戳在公历年度中所处的日序数作为年内日，以当前涨潮事件对内的低潮事件时间戳在农历月中所处的日序数作为农历日。

3.如权利要求1所述的基于重构与分解的钱塘江涌潮协同预测方法，其特征在于，所述自适应周期分解模块中，先利用以可学习参数矩阵为滤波器的最大重叠离散小波变换(MODWT)算子，对每个变量维度的单变量时间序列进行多层次小波分解，将其自适应地解构为多个初始周期分量，然后通过一个神经网络为每一个初始周期分量生成掩码并利用掩码自适应调整各初始周期分量，最后通过多分辨率分析对调整后周期分量进行重构，得到最终输出的多个代表不同频率特性的周期分量。

4.如权利要求1所述的基于重构与分解的钱塘江涌潮协同预测方法，其特征在于，所述多尺度时序变化学习模块包括一个全局变化学习分支和一个局部变化学习分支：所述全局变化学习分支中，先对输入的周期分量进行线性映射，然后将线性映射后的周期分量分割为多个有重叠的时间片段，再将所有时间片段组合为二维矩阵并依次通过自注意力层和前馈网络得到二维空间特征，将二维空间特征展平后线性映射回到一维的时间序列空间，得到全局特征；

所述局部变化学习分支中，将输入的周期分量并行地通过多个具有不同扩张率的可分离因果卷积层，然后将各卷积结果融合后以残差连接的方式叠加到输入的周期分量上形成局部特征；

最终将全局特征和局部特征进一步融合，得到当前输入的周期分量的融合特征向量。

5.如权利要求1所述的基于重构与分解的钱塘江涌潮协同预测方法，其特征在于，所述自适应聚合模块中，先将当前变量维度的所有周期分量的融合特征向量组合为二维张量后输入二维卷积网络，再将二维卷积结果重新分解为各周期分量对应的卷积后特征向量，再以每个周期分量的分量方差为权重加权聚合，得到当前变量维度的最终特征表示。

6.如权利要求1所述的基于重构与分解的钱塘江涌潮协同预测方法，其特征在于，所述多变量交互聚合模块中，将六个变量维度的最终特征表示拼接为二维矩阵，然后以沿时间维度取平均的方式压缩为向量后通过线性层转换为六个变量维度的最终特征表示各自的加权权重并执行加权聚合，得到作为当前动态局部‑全局学习模块最终输出的交互聚合特征。

7.如权利要求1所述的基于重构与分解的钱塘江涌潮协同预测方法，其特征在于，所述涌潮协同预测模型在用于实际推理之前需预先进行监督训练，其损失函数采用均方误差损失、均方根误差损失或平均绝对误差损失。

8.一种基于重构与分解的钱塘江涌潮协同预测系统，其特征在于，包括：

数据输入模块，用于输入钱塘江历史潮汐事件的原始时序数据；

协同预测模块，用于根据输入的钱塘江历史潮汐事件的原始时序数据，按照如权利要求1 7任一项所述的基于重构与分解的钱塘江涌潮协同预测方法，生成预测结果；

~

数据输出模块，用于将生成的预测结果按照预设的输出方式进行输出。

9.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时，能实现如权利要求1 7任一项所述的基于重构与分解的钱塘江涌潮协同预测~方法。

10.一种计算机电子设备，其特征在于，包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求1 7任一项所述的基于重~

构与分解的钱塘江涌潮协同预测方法。