1.一种风速预测方法，其特征在于，包括：

获取目标区域中多个气象站采集的多变量气象时间序列后进行预处理，所述多变量气象时间序列包括按时序排列的多个气象要素的值；

将预处理后的多变量气象时间序列输入到训练好的风速预测模型中；

通过所述风速预测模型的多尺度可分解混合模块对预处理后的多变量气象时间序列进行多尺度增强，得到多尺度增强序列；

将所述多尺度增强序列输入至所述风速预测模型的多层图卷积网络，以气象变量的值代表节点、由节点间的特征相似性确定节点间的邻接关系，在超变量图中通过频域图卷积提取多尺度增强序列中的变量交互特征；将变量交互特征作为空间图的节点特征，以气象站代表节点、由节点间的地理距离相关性确定节点间的邻接关系，在空间图中通过残差图卷积提取多尺度增强序列中的时空特征；

通过所述风速预测模型的预测模块对时空特征进行倒置文本嵌入和低秩稀疏注意力操作得到注意力矩阵，将所述注意力矩阵输入到层归一化和前馈神经网络得到变量融合高维特征；

通过所述风速预测模型的全连接层将变量融合高维特征转化为风速预测结果。

2.根据权利要求1所述的风速预测方法，其特征在于，所述气象要素包括温度、气压、风速、风向、露点和降雨量。

3.根据权利要求1所述的风速预测方法，其特征在于，通过所述风速预测模型的多尺度可分解混合模块对预处理后的多变量气象时间序列进行多尺度增强，得到多尺度增强序列，包括：对预处理后的多变量气象时间序列进行分层下采样和拼接得到下采样拼接矩阵；

对下采样拼接矩阵通过频域多层感知机处理得到不同时间尺度下的频谱特征；

将不同时间尺度下的频谱特征融合得到多尺度增强序列。

4.根据权利要求3所述的风速预测方法，其特征在于，所述分层下采样通过分层平均池化完成；

对下采样拼接矩阵通过频域多层感知机处理得到不同时间尺度下的频谱特征，包括在所有时间尺度下执行以下提取单个时间尺度下频谱特征的步骤：将单个时间尺度下的下采样拼接矩阵转换至频域；

对转换至频域的下采样拼接矩阵的实部和虚部分别通过频域多层感知机处理，然后恢复至时域，得到单个时间尺度下的频谱特征。

5.根据权利要求1所述的风速预测方法，其特征在于，在超变量图中通过频域图卷积提取多尺度增强序列中的变量交互特征，通过以下公式进行：；

其中， 表示多尺度增强序列， 表示离散傅里叶变换， 表示逆傅里叶变换，表示设定的频域中的变换矩阵， 表示变量交互特征。

6.根据权利要求1所述的风速预测方法，其特征在于，在所述超变量图中，任意两个节点之间的邻接矩阵的表达式为：；

其中， 表示超变量图中两个节点之间的邻接矩阵， 表示自然指数函数，表示超变量图中第 个节点代表的气象变量的值， 表示超变量图中第 个节点代表的气象变量的值， 表示设定的尺度参数， 表示设定的气象变量之间的连接阈值， 表示求范数。

7.根据权利要求1所述的风速预测方法，其特征在于，在空间图中通过残差图卷积提取多尺度增强序列中的时空特征，通过以下公式进行：；

其中， 表示变量交互特征； 表示空间图中两个节点之间的邻接矩阵，根据两个节点对应的气象站的地理位置构建得到； 表示残差图卷积网络； 表示包含了多层嵌套图结构中局部变量依赖与全局空间拓扑信息的时空特征。

8.根据权利要求1所述的风速预测方法，其特征在于，对时空特征进行倒置文本嵌入和低秩稀疏注意力操作得到注意力矩阵，包括：将时空特征中一个气象变量在所有时间步和所有城市气象站下的完整时空序列作为一个词元，将所有词元按特征顺序组合成矩阵后进行转置，得到倒置嵌入序列；

将倒置嵌入序列分别通过不同的线性变换得到查询矩阵和键矩阵；

将查询矩阵、键矩阵分别与相应的设定低秩投影矩阵进行乘法运算，得到低秩投影后的查询矩阵和键矩阵；

根据低秩投影后的查询矩阵和键矩阵，通过以下公式计算注意力矩阵：；

其中， 表示注意力矩阵， 表示归一化指数函数， 表示经过低秩投影后的查询矩阵， 表示经过低秩投影后的键矩阵， 表示用于防止在计算内积时出现过大或过小的缩放因子， 表示转置。

9.一种风速预测装置，其特征在于，包括：

多变量获取模块，被配置为：获取目标区域中多个气象站采集的多变量气象时间序列后进行预处理，所述多变量气象时间序列包括按时序排列的多个气象要素的值；

风速预测模块，被配置为：将预处理后的多变量气象时间序列输入到训练好的风速预测模型中；

通过所述风速预测模型的多尺度可分解混合模块对预处理后的多变量气象时间序列进行多尺度增强，得到多尺度增强序列；

将所述多尺度增强序列输入至所述风速预测模型的多层图卷积网络，以气象变量的值代表节点、由节点间的特征相似性确定节点间的邻接关系，在超变量图中通过频域图卷积提取多尺度增强序列中的变量交互特征；将变量交互特征作为空间图的节点特征，以气象站代表节点、由节点间的地理距离相关性确定节点间的邻接关系，在空间图中通过残差图卷积提取多尺度增强序列中的时空特征；

通过所述风速预测模型的预测模块对时空特征进行倒置文本嵌入和低稀疏注意力操作得到注意力矩阵，将所述注意力矩阵输入到层归一化和前馈神经网络得到变量融合高维特征；

通过所述风速预测模型的全连接层将变量融合高维特征转化为风速预测结果。

10.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时，实现权利要求1至8中任一项所述的风速预测方法的步骤。