1.一种基于动态切片与双分支对抗的违法行为预测方法，其特征在于，所述方法包括：S1、收集多维度网络交易违法行为商品时序数据集；

所述多维度网络交易违法行为商品时序数据集是指在一段时间内，反映商品属性以及随时间变化的不同类型的多维度波动特征序列数据的集合，其中，多维度波动特征序列数据以时间戳为索引，记录商品在不同维度下的动态行为特征与状态变化；

所述商品时序数据集包括：商品类型、地域分布、平台属性、违法时间戳、违法类型及事件标记；

S2、构建违法行为时间序列预测模型，包括：动态切片长度调整模块、差异感知时序预测模块以及动态统计特征预测模块；

S3、将时序数据集作为违法行为时间序列预测模型的输入，首先输入到动态切片长度调整模块，通过方差驱动的自适应决策机制对该数据集进行动态切片，并对每个切片进行标准化处理；

S4、将标准化处理后的数据输入到差异感知时序预测模块进行处理，具体包括以下步骤：S41、通过图卷积神经网络与TCN‑Transformer并行融合机制进行时空特征增强；

S42、通过傅里叶级数分解和自适应参数学习提取时间序列中的季节性成分，通过多项式回归和时间特征提取捕捉时间序列中的趋势成分，并将二者进行组合生成预测结果；

S43、通过对抗性领域对齐和Wasserstein距离优化的联合优化框架实现事件数据与常规数据的特征对齐；

S5、将标准化处理后的数据输入到动态统计特征预测模块，采用轻量级神经网络进行处理：对于未来切片标准差的预测，引入非负激活约束以保持物理意义；对于未来切片均值的预测，网络不再直接预测绝对值，而是学习当前切片均值 与历史全局均值 的残差模式；

S6、将差异感知时序预测模块的预测结果与动态统计特征预测模块的预测结果进行融合，作为最终的时序预测结果。

2.根据权利要求1所述的一种基于动态切片与双分支对抗的违法行为预测方法，其特征在于，步骤S2中，所述违法行为时间序列预测模型的动态切片长度调整模块基于方差大小动态调整切片长度，自适应捕捉不同时间尺度下的模式和特征；

差异感知时序预测模块包含三部分：1)特征提取部分：TCN‑Transformer捕捉短期和长期时间依赖，图神经网络捕捉空间依赖；2)季节性‑趋势成分分解部分：季节块和趋势块分别捕捉季节性成分和趋势成分，通过季节性和趋势成分分解增强对异常数据的鲁棒性；3)对抗训练部分：最小化事件数据和常规数据之间的分布差异；

动态统计特征预测模块，采用轻量级神经网络，基于当前切片的均值和方差，预测未来切片的均值和方差；

违法行为时间序列预测模型最终将差异感知时序预测模块的输出与动态统计特征预测模块输出的未来统计量通过反标准化操作实现最终的融合并得出最终的预测结果。

3.根据权利要求1所述的一种基于动态切片与双分支对抗的违法行为预测方法，其特征在于，步骤S3中，所述通过方差驱动的自适应决策机制的核心在于，依据局部实时方差动态调整切片长度，基于此，设计检测窗口和执行窗口协同的双窗口架构‑‑检测窗口以固定长度 递推估计局部方差，触发执行窗口的切片动态调整，具体包括以下步骤：S31、通过固定长度为n的检测窗口滑动遍历时序数据，实时计算检测窗口内的局部方差强度 ，作为衡量数据波动性的核心指标：（1）

其中， 和 分别表示检测窗口最新与移出数据点， 为历史均值；

基于方差强度 动态调控执行窗口切片长度 ： 增大时压缩 以捕获局部突变， 减小时扩展 以保持趋势连续性；

S32、针对间歇性高方差场景，引入指数衰减机制抑制过激响应：（2）

其中 为基准调整量，控制衰减速率， 为累计调整次数。

4.根据权利要求1所述的一种基于动态切片与双分支对抗的违法行为预测方法，其特征在于，步骤S41中，所述过图卷积神经网络与TCN‑Transformer并行融合机制进行时空特征增强，具体包括以下步骤：S411、通过TCN的扩张卷积和残差连接提取局部时序特征：首先通过时间卷积TCN通过集成扩张因果卷积与残差连接，具体而言，在时间步 时，对输入 进行扩张因果卷积操作：（3）

其中，表示扩张因子，表示卷积核大小，表示卷积核内部的索引变量，用于遍历卷积核的所有位置， 表示卷积核在第 个位置的可学习参数，用于对输入序列进行加权求和，表示在时间 处的卷积操作结果，卷积操作后的输出序列记为 ；

然后通过层级叠加不同扩张因子的卷积核，时间卷积TCN可有效捕获多尺度时序模式，TCN残差块的最终输出记为 ：（4）

其中， 表示可学习的权重矩阵，用于将输入投影到与 相同的维度空间，以实现残差连接， 表示X经过卷积操作之后输入的多变量时间序列， 表示对输入 进行卷积后的输出 ；

S412、利用Transformer自注意力机制对全局时序依赖进行建模：在TCN后端级联Transformer编码器，通过多头注意力机制建立全局时序关联，具体而言，对第l‑1层的隐藏状态 ，多头注意力机制计算过程定义为：（5）

（6）

其中， 表示注意力头数， 表示输出权重矩阵， 表示第 个注意力头的输出，、 和 分别表示查询、键和值的权重矩阵， 表示注意力头查询和键的维度；

S413、TCN与Transformer构建并行处理架构，通过特征融合模块整合卷积特征与自注意力特征，生成融合全局‑局部依赖关系的联合表征输出 ：（7）

其中，H表示隐藏状态，即Transformer编码器中的中间表示， 表示多头自注意力机制对隐藏状态的处理结果，concat(.)表示对TCN和Transformer模块的输出进行拼接操作；

S414、通过图卷积神经网络自适应空间依赖建模：

通过图卷积网络建模节点间的隐式结构关联，并通过多阶图卷积层聚合高阶邻居信息，从而迭代更新节点表征，图卷积操作如下：（8）

其中，G表示一个基于邻接矩阵的图，表示一个激活函数，表示可学习参数矩阵，是一个带有自连接的邻接矩阵，是 的对角度矩阵；

S415、通过多层感知机融合时空特征，形成兼具局部感知与全局依赖的时空联合表征：通过参数化时空特征交互机制，得到最终的时空依赖性的表示 如下：（9）

其中， 表示用于解耦参数，用于将特征分解为不同的部分。

5.根据权利要求4所述的一种基于动态切片与双分支对抗的违法行为预测方法，其特征在于，步骤S42具体包括以下步骤：S421、通过傅里叶级数分解和自适应参数学习提取时间序列中的季节性成分：利用傅里叶级数将季节性信号分解为多个不同频率的正弦和余弦函数的线性组合：（10）

其中， 表示时间 处的季节性成分， 和 是模型学习到的参数，分别对应第 个频率分量的幅值和相位，是季节性的周期，是傅里叶级数的项数；

此外，在学习周期性模式时引入不同的学习参数，用于控制傅里叶级数中各分量的幅值和相位，从而捕捉各种复杂的周期性模式；

S422、通过多项式回归和时间特征提取捕捉时间序列中的趋势成分：多项式回归拟合一个多项式函数来描述时间序列的长期变化趋势：（11）

其中， 表示时间 处的趋势成分， ， ，， 是多项式回归的系数，用于控制趋势的形状，是多项式的次数，通过多项式函数提取时间序列中的长期趋势信息可有效捕捉时间序列中的线性和非线性趋势变化；

S423、将季节性成分和趋势成分通过乘法方式集成在一起，生成最终的预测结果。

6.根据权利要求5所述的一种基于动态切片与双分支对抗的违法行为预测方法，其特征在于，步骤S43中，通过对抗性领域对齐和Wasserstein距离优化的联合优化框架实现事件数据与常规数据的特征对齐，具体包括以下步骤：S431、设计域判别器损失函数实现事件数据与常规数据的特征对齐，损失函数的定义如下：（12）

其中， 表示特征编码器， 表示域判别器， 和 分别表示事件数据和常规数据的概率分布， 和 分别表示 和 的观测样本；

S432、采用Wasserstein距离作为差异度量，以此缓解对抗训练中梯度消失问题，并引入梯度惩罚项以增强训练稳定性，其中Wasserstein距离和梯度惩罚项分别表示为：（13）

（14）

其中 表示1‑Lipschit约束的域判别器，表示特征空间采样点， 为惩罚系数。

7.根据权利要求1所述的一种基于动态切片与双分支对抗的违法行为预测方法，其特征在于，所述步骤S5具体如下：令输入序列的 个切片的均值表示为 ，标准差为 ，构建如下参数化模型对未来切片均值 和未来切片标准差 进行预测：（15）

（16）

其中 表示局部均值偏移量， 表征序列平稳性特征；可学习参数 构成特征维度的自适应权重矩阵，用于融合残差预测项与历史基准项，和 赋予了模型两方面的建模能力： 捕获变量特定的动态变化模式， 保持对历史基准的合理继承。

8.根据权利要求1所述的一种基于动态切片与双分支对抗的违法行为预测方法，其特征在于，步骤S6中，所述将差异感知时序预测模块的预测结果与动态统计特征预测模块的预测结果融合是指，利用动态统计特征预测模块输出的未来切片均值预测值和标准差预测值，对差异感知时序预测模块在归一化尺度上生成的预测结果进行反标准化计算，重建得到最终在原始数据尺度上的预测结果。