1.一种基于多元时序分析的终端区流量预测方法，其特征在于，包括：步骤1、获取终端区内的基础数据；步骤2、对所述基础数据进行预处理，构建用于终端区流量预测的多元时序数据库；步骤3、基于趋势与均值的时间序列表示方法，对多元时序数据库内的数据进行分段和符号化表示；步骤4、利用随机森林模型确定与终端区流量预测相关性较高的因素，对分段和符号化表示的多元时序数据进行特征筛选和降维，构造特征矩阵；步骤5、构建基于CNN-GRUA的终端区流量预测模型，并将所述特征矩阵输入训练好的终端区流量预测模型，输出终端区流量预测结果。
2.根据权利要求1所述的基于多元时序分析的终端区流量预测方法，其特征在于，所述步骤1中获取终端区内的基础数据包括：终端区实际流量、终端区计划流量、航班正常架次、航班取消架次、容流差、航班延误、平均延误时间、航班延误架次、流控策略发布的强度、平均流控间隔、METAR报文中的气象特征，WAF对流天气和终端区天气指数。
3.根据权利要求2所述的基于多元时序分析的终端区流量预测方法，其特征在于，所述步骤2中对所述基础数据进行预处理，构建用于终端区流量预测的多元时序数据库，包括：将采集到的终端区流量的基础数据进行数据清理，即填写缺失的值、光滑噪声数据、识别并删除离群点；对数据清理后的基础数据分别构建包含交通需求特征、延误特征、策略状态特征和环境状态特征的多元时序数据，以构成多元时序数据库；其中所述交通需求特征用于反应交通需求状态，包括终端区实际流量、终端区计划流量、航班正常架次、航班取消架次和容流差；所述延误特征用于反应延误状态，包括航班延误、平均延误时间和航班延误架次；所述策略状态特征用于反应终端区策略状态，包括流控策略发布的强度和平均流控间隔；所述环境状态特征用于反应反应终端区环境状态，包括METAR报文中的气象特征，WAF对流天气和终端区天气指数。
4.根据权利要求3所述的基于多元时序分析的终端区流量预测方法，其特征在于，所述步骤3中基于趋势与均值的时间序列表示方法，对多元时序数据库内的数据进行分段和符号化表示，包括：基于二分迭代算法，获取多元时序数据经过归一化后的时间序列上的所有趋势分段点；根据预设定的子序列长度l和趋势分段数ω，使用不重叠的滑动窗口机制将整个时间序列定长分段成若干子序列，并采用相应的策略使每个子序列中的趋势分段点的数量为(ω-1)个，形成ω个趋势分段；使用基于趋势特征和均值统计的二元组对每一个趋势分段进行符号化表示。
5.根据权利要求4所述的基于多元时序分析的终端区流量预测方法，其特征在于，所述采用相应的策略使每个子序列中的趋势分段点的数量为(ω-1)个，形成ω个趋势分段的方法包括：查找每个子序列中趋势分段点的数量γ；若γ≥ω-1，则从中挑选最具趋势信息的(ω-1)个趋势分段点，形成ω个趋势分段；若 则对序列长度在前(ω-1-γ)的趋势分段进行二等分，形成ω个趋势分段；若 则直接采用平均分段的方法形成ω个趋势分段；其中 表示对 向下取整。
6.根据权利要求4所述的基于多元时序分析的终端区流量预测方法，其特征在于，所述使用基于趋势特征和均值统计的二元组对每一个趋势分段进行符号化表示，包括：将整个时间序列的所有趋势分段点根据高斯分布划分为3～10个分别用不同小写字母表示的等概率区域，并将整个斜率值取值范围划分为5个分别用不同大写字母表示的不重叠的区域；基于各趋势分段两端的趋势分段点或端点，计算每个趋势分段的斜率值，并采用该斜率值所在区域对应的大写字母表示该趋势分段的趋势特征信息；计算每个趋势分段的平均值，并采用该平均值所在等概率区域对应的小写字母表示该趋势分段的均值统计信息；使用大写字母代表趋势特征和小写字母代表均值统计的二元组表示每一个趋势分段；所述趋势分段的平均值的计算公式表示为：其中，x＝[t i ,…,t i+m-1 ]为一个序列长度为m的趋势分段序列。
7.根据权利要求4所述的基于多元时序分析的终端区流量预测方法，其特征在于，所述步骤4中利用随机森林模型确定与终端区流量预测相关性较高的因素，对分段和符号化表示的多元时序数据进行特征筛选和降维，构造特征矩阵，包括：基于分段和符号化表示的多元时序数据，使用均方误差作为决策树节点划分时对特征的评价标准，分别训练出n棵决策树共同构建一个随机森林模型；使用构建好的随机森林模型对分段和符号化表示的多元时序数据中的所有特征进行重要性评估，选择重要性评分前8的特征构成特征矩阵。
8.根据权利要求7所述的基于多元时序分析的终端区流量预测方法，其特征在于，所述步骤5中构建基于CNN-GRUA的终端区流量预测模型，并将所述特征矩阵输入训练好的终端区流量预测模型，输出终端区流量预测结果，包括：通过设置CNN网络的层数、各个卷积层中卷积核大小及池化层的池化方式，构建并训练CNN子模型；通过设置GRU网络的层数及隐含层神经元个数，并引入注意力机制对每个GRU网络的输出结果分配相应的权重，构建并训练GRUA子模型；利用全连接层将CNN子模型和GRUA子模型进行融合，构建并训练基于CNN-GRUA的终端区流量预测模型；将所述特征矩阵分别输入训练好的CNN子模型和GRUA子模型，通过融合其输出的空间特征预测结果和时序特征预测结果，得到最终的终端区流量预测结果。
9.一种基于多元时序分析的终端区流量预测系统，其特征在于，包括：数据获取模块，用于获取终端区内的基础数据；数据预处理模块，适于对于数据获取模块获取的数据进行预处理，构建多元时序数据库；终端区动态多元时序数据表示模块，适于将多元时序数据库内的数据进行分段和符号化表示；终端区交通流量特征筛选模块，用于对分段和符号化表示后的多元时序数据进行特征筛选和降维，构建特征矩阵；终端区流量预测模块，用于对特征矩阵进行终端区流量预测，输出终端区流量预测结果。
