1.一种海上石油钻井的事故预警方法，其特征在于，包括以下具体步骤：S1：根据海上石油钻井事故与各钻井数据单属性因子在时序维度的关联分析，确定事故与各单属性因子的相关性程度；在步骤S1中，采用相关性分数来衡量海上石油钻井事故与各单因子的相关性程度，具体步骤如下：S11：获取在海上石油钻井事故发生前后的数据分布及进行分类，得到海上石油钻井事故发生前后的数据集合；S12：基于在事故发生前后的数据分布不一样的原则，以时间距离为衡量标准判定海上石油钻井事故发生前的数据集合与海上石油钻井事故发生后的数据集合的可区分度；所述步骤S12中数据集合的可区分度判定公式如下：I r (x,A 1 ,A 2 )＝1 when x∈A i &&NN r (x,A)∈A i ,A＝A 1 ∪A 2 ，I r (x,A 1 ,A 2 )＝0 when otherwise，其中，A 1 为海上石油钻井事故发生前或发生后的时间序列的集合，A 2 为对整个时间序列数据随机采样的子序列的集合，x为海上石油钻井事故发生前的数据集合或海上石油钻井事故发生后的数据集合中的时间序列，对A＝A 1 A 2 ，x∈A，NN r (x,A)表示A-{x}中距离x最近的第r个元素；I r (x,A 1 ,A 2 )表示x与x的第r个距离最近的元素是否在同一个子集内；T r,p 表示A 1 与A 2 不属于同一种数据分布的概率，其中p为集合A的大小，r表示x第r个最近的元素的索引，如果T r,p 小，则说明两类数据A 1 ,A 2 无区分度；如果T r,p 大，则说明两类数据A 1 ，A 2 有区分度；S13：通过时间序列与可区分度确定海上石油钻井事故与各钻井数据单属性因子的相关性分数，进而确定相关性程度；S2：根据海上石油钻井事故与各单属性因子的相关性程度大小，挑选相关性较高的多个因子作为关键因子；在步骤S2中得到关键因子具体步骤如下：S21：将所述各钻井数据单属性因子的相关性分数按照从高到低进行排序；S22；设定相关性分数阈值，然后筛除出所有高于相关性分数阈值的各钻井数据单属性因子作为关键因子；S3：利用长短时序记忆网络，预测步骤S2选定的多个关键因子的数据走向；在步骤S3中关键因子的数据走向的获取具体步骤如下：S31：划分记忆单元：将长短时序记忆网络划分为多个记忆单元；S32：对记忆单元进行预测：对每个关键因子的每个记忆单元进行预测；S33：获取关键因子的数据走向：将各记忆单元的预测信息收集起来即可得到每个关键因子的预测信息，然后进行汇总得到所有关键因子的数据走向；S4：综合考虑多个关键因子之间的联系以及多个关键因子在时序维度的信息，结合步骤S3的预测数据，利用深度学习网络表述数据的深度特征；S5：根据步骤S4提取的深度特征，训练可迁移的多因子检测器，实现面向海上石油钻井的深度可迁移多因子事故预测。
2.根据权利要求1所述的海上石油钻井的事故预警方法，其特征在于，所述步骤S32中记忆单元的预测公式如下：(h t ,C t )＝Η(h t-1 ,x t ,C t-1 )其中h t-1 为记忆单元上一时刻的输出数据，C t-1 为记忆单元上一时刻的记忆状态，x t 为当前时刻输入的各关键因子的数据，h t 为记忆单元下一时刻的预测的数据，C t 为记忆单元当前的记忆状态。
3.根据权利要求2所述的海上石油钻井的事故预警方法，其特征在于，所述h t ，C t 的具体计算公式为：f t ＝σ(W f [h t-1 ,x t ]+b f )，i t ＝σ(W i [h t-1 ,x t ]+b i )，o t ＝σ(W o [h t-1 ,x t ]+b o )，h t ＝o t *tanh(C t )，其中W f 、W i 、W o 、W C 分别表示在计算过程中不同位置的单个神经元学习的权重，b f 、b i 、b o 、b C 分别表示在计算过程中不同位置的单个神经元的偏移量，tanh为神经网络的激活函数，其函数的定义如下：
4.根据权利要求3所述的海上石油钻井的事故预警方法，其特征在于，在步骤S4中数据深度特征获取的具体步骤如下：S41：构建训练样本及特征提取网络；S42：将训练样本数据代入特征提取网络，获取数据深度特征。
5.根据权利要求1所述的海上石油钻井的事故预警方法，其特征在于，还包括针对面向海上石油钻井的深度可迁移多因子事故预警下一次预测结果的优化步骤，优化步骤通过本次的预测结果对下一次的预测结果进行优化提升，具体如下：S61：构建多因子检测器；S62：进行检测器训练，利用深度特征计算所述预测结果的损失函数；S63：在所述的损失函数中，增加动态调整样本损失权重的系数函数；S64：通过系数函数对预测模型进行优化，以提升预测结果的准确性。
6.一种海上石油钻井的事故预警系统，其特征在于，应用于如权利要求1至5任一项所述的海上石油钻井的事故预警方法，所述预警系统包括依次电连接的关联性分析模块、关键因子筛选模块、深度特征表述模块、数据预测模块。
