1.一种台风风场风速时空预测方法，其特征在于，具体为：基于地面气象观测站、卫星遥感平台及再分析数据集，获取多源气象要素；

采用多源异构数据融合机制对多源气象要素进行预处理，得到不规则时空观测集合；

将所有地面气象观测站、卫星遥感平台以及再分析数据集对应的台风观测系统作为节点，共N个节点；为N个节点构建特征矩阵X，同时构建时间超边和空间超边，基于特征矩阵X和两种超边构建时空超图；

对时空超图进行特征提取，得到高阶特征；

将高阶特征输入至改进的Transformer编码器，得到未来时刻台风风场风速预测值。

2.根据权利要求1所述的一种台风风场风速时空预测方法，其特征在于，多源气象要素中基于地面气象观测站观测到的风向和时间，引入正余弦变换，提取风向的正余弦特征以及时间的正余弦特征。

3.根据权利要求1所述的一种台风风场风速时空预测方法，其特征在于，采用如下方式对多源气象要素进行预处理：对缺失率低于预设阈值的数据直接剔除，对缺失率高于预设阈值的数据采用显式掩码机制标注；

识别并解析数值型或字符串型数据的时间戳格式，对所有数据完成时区与粒度统一；

以（station_id,timestamp）为联合键，对地面气象观测站观测的数据与台风最佳轨迹数据执行外连接，其中station_id为地面气象观测站的id，timestamp为时间戳；

以时间戳为锚点，对每个唯一时间戳，将卫星遥感平台观测到的第一遥感特征广播复制到所有地面气象观测站，实现轻量融合；所述第一遥感特征为除遥感纹理信息以外的遥感信息；

当遥感影像的时间戳与地面观测时间匹配时，将卫星遥感平台观测到的遥感纹理信息广播复制到所有地面气象观测站；当遥感影像与地面观测时间之间的差值小于预设的时间阈值，则认定遥感影像与地面观测时间匹配；

针对再分析数据集中的台风轨迹数据，采用基于距离的时空最近邻匹配算法，构建索引桶，在预设的时间窗口内选择与相应地面气象观测站最近的台风中心观测数据；

最后对所有的数据进行标准化处理。

4.根据权利要求1所述的一种台风风场风速时空预测方法，其特征在于，构建时空超图具体为：所述特征矩阵 ,其中 为实数域，为批次大小，T为时间， 为特征维度；

基于 ，采用异构图神经网络构建异构图，对异构图中的节点特征融合：；

其中， 表示融合后的节点特征， 表示融合前的节点特征， 为节点 的邻域集合，为通用线性映射矩阵， 为针对数据源类型为来自于地面气象观测站、卫星遥感平台或再分析数据集的特定映射矩阵， 为融合系数， 的表达式如下所示：;

其中， 为温度参数， 为节点 的置信度权重， 为节点 和 的特征相似度；

将融合后的 重新组成新的特征矩阵 ；

构建时间超边和空间超边，并将异构图神经网络输出的异构图和 输入至超图神经网络，得到最终的时空超图。

5.根据权利要求4所述的一种台风风场风速时空预测方法，其特征在于，构建时间超边和空间超边具体为：时间超边：将同一观测时刻的所有地面气象观测站连成一条超边，得到时间超边；

空间超边：以单个地面气象观测站作为轴心，把该地面气象观测站全天所有时间戳的观测节点连成一条超边，得到空间超边。

6.根据权利要求1所述的一种台风风场风速时空预测方法，其特征在于，对时空超图进行特征提取，具体为：采用超图卷积传播结构对时空超图中的特征矩阵 进行如下处理，得到矩阵 ：；

其中， 为时间超边关联矩阵， 为空间超边关联矩阵， 为时间超边对应的度矩阵，为空间超边对应的度矩阵， 为时间超边的权重， 为空间超边的权重，为激活函数，表示转置； 中引入风向修正：；

其中： 为基础权重矩阵， 为风向点积， 为风向夹角；

计算时间超边的注意力权重 ：

;

其中， 为时间超边下与节点 相连的节点集合， 为时间通道的线性变换矩阵，为时间通道的可学习注意力向量， 节点 与节点 之间的地理位置差异； 和分别为节点 与节点 的特征值； 为激活函数；

计算空间超边的注意力权重 ：

;

其中， 为空间超边下与节点 相连的节点集合， 为空间通道的线性变换矩阵，为空间通道的可学习注意力向量， 表示节点 与节点 之间的时间差异；

基于 和 得到高阶特征 ：

；

其中， 为 构成的矩阵， 为 构成的矩阵，为权重， 为对角矩阵函数。

7.根据权利要求1所述的一种台风风场风速时空预测方法，其特征在于，将高阶特征以同一个地面气象观测站按时间顺序、同一时刻按地面气象观测站顺序进行重排，并按批次打包为张量，然后送入改进的Transformer编码器，改进的Transformer编码器对输入特征进行如下处理：对输入的特征进行线性变换以生成查询Q、键K和值V向量，将这三个向量分割成 个注意力头；基于时间掩码计算每个注意力头的权重 ：;

其中， 表示第 个注意力头， ； 为第 个注意力头的查询向量，为第 个注意力头的键向量， 为掩码矩阵， 表示将掩码矩阵中所有为0的位置替换为负无穷； 为注意力头的维度，表示转置；

对每个权重进行矩阵乘法，得到加权后的值向量 ：;

其中， 为第 个注意力头的值向量；

将所有的 进行拼接，得到拼接后的向量 ；对 进行线性变换得到变换后的向量 ；

得到最终的改进的Transformer编码器的输出 ：；

其中， 表示归一化操作。

8.根据权利要求1所述的一种台风风场风速时空预测方法，其特征在于，训练时采用的目标函数为 ：；

其中，为全部的学习参数，为损失函数，为正则化系数；的表达式如下所示：；

其中，表示预测时长集合， 与 均为与预测时长 对应的权重， 表示平均绝对误差， 表示均方误差， 和 的取值如下：；

其中， 为观测密度：

；

其中， 表示在预测时长 内的有效观测数， 表示理论最大观测数。

9.根据权利要求1所述的一种台风风场风速时空预测方法，其特征在于，在进行训练时采用Adam优化器结合余弦调度器学习率调度策略。

10.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的一种台风风场风速时空预测方法的步骤。