1.一种公路风吹雪预警方法，其特征在于，包括：利用层次分析法，将风吹雪强度设定为目标层、风吹雪强度的影响因素设定为准则层，将准则层所包括的风吹雪强度因子设定为子准则层；基于准则层之间的相对重要性构建准则层权重矩阵、基于子准则层之间的相对重要性构建子准则层权重矩阵；根据准则层权重矩阵和子准则层权重矩阵计算得到风吹雪强度因子的权值；获取公路在预设时段内风吹雪强度因子的多组监测数据，对多组监测数据进行预处理；由预处理后的监测数据构成数据集，按照预设比例将所述数据集划分为训练集和测试集；构建加入有Transformer模型的双向长短期记忆模型，利用训练集和测试集对双向长短期记忆模型进行训练和测试，得到预测模型，所述Transformer模型中的自注意力机制用于对输入的风吹雪强度因子监测数据的每个位置进行加权聚合，对影响风吹雪强度因子赋予更高的权重，将监测数据输入双向长短期记忆模型、Transformer分别对风吹雪数据间的关系进行挖掘学习，然后将双向长短期记忆模型与Transformer的输出值输入到全连接层中，通过全连接层学习两种模型时序数据间的非线性关系，最终生成预测时刻的预测数据；分别获取公路在当前时刻下风吹雪强度因子的监测数据，将当前时刻的风吹雪监测数据输入至预测模型中，得到预设时刻的风吹雪强度因子的预测数据，所述预设时刻与当前时刻的时间差为第一时长；将风吹雪强度因子的预测数据与对应的权值进行加权求和后计算得到预设时刻的风吹雪强度，并判断预设时刻的风吹雪强度是否超过预警阈值。
2.根据权利要求1所述的公路风吹雪预警方法，其特征在于,基于准则层之间的相对重要性构建准则层权重矩阵，包括：在目标层下，根据准则层相对于准则层的重要性构建第一判断矩阵；利用特征根法，对第一判断矩阵的列进行特征分解得到多个第一特征向量，并将多个特征向量标准化为多个第一权重向量；对所有第一权重向量进行一致性检验，当一致性检验数值小于等于预设检验值时，则得到由多个第一权重向量构成的准则层权重矩阵。
3.根据权利要求1所述的公路风吹雪预警方法，其特征在于,利用训练集和测试集对双向长短期记忆模型进行训练和测试，得到预测模型，包括：将所述训练集划分为若干个时刻；在若干个时刻中确定输入时刻和预测时刻，所述预测时刻在输入时刻之后；将训练集内的输入时刻的监测数据依次输入双向长短期记忆模型中进行学习后，按照时间顺序生成预测时刻的预测数据；计算预测时刻的预测数据与监测数据之间的均方根，当所述均方根小于检测精度时，得到预测模型。
4.一种公路风吹雪预警装置，其特征在于，包括：层次分析模块：利用层次分析法，将风吹雪强度设定为目标层、风吹雪强度的影响因素设定为准则层，将准则层所包括的风吹雪强度因子设定为子准则层；权重矩阵构建模块：基于准则层之间的相对重要性构建准则层权重矩阵、基于子准则层之间的相对重要性构建子准则层权重矩阵；计算模块：根据准则层权重矩阵和子准则层权重矩阵计算得到风吹雪强度因子的权值；预处理单元：获取公路在预设时段内风吹雪强度因子的多组监测数据，对多组监测数据进行预处理；第一划分单元：由预处理后的监测数据构成数据集，按照预设比例将所述数据集划分为训练集和测试集；模型训练单元：构建加入有Transformer模型的双向长短期记忆模型，利用训练集和测试集对双向长短期记忆模型进行训练和测试，得到预测模型，所述Transformer模型中的自注意力机制用于对输入的风吹雪强度因子监测数据的每个位置进行加权聚合，对影响风吹雪强度因子赋予更高的权重，将监测数据输入双向长短期记忆模型、Transformer分别对风吹雪数据间的关系进行挖掘学习，然后将双向长短期记忆模型与Transformer的输出值输入到全连接层中，通过全连接层学习两种模型时序数据间的非线性关系，最终生成预测时刻的预测数据；预测模块：分别获取公路在当前时刻下风吹雪强度因子的监测数据，将当前时刻的风吹雪监测数据输入至预测模型中，得到预设时刻的风吹雪强度因子的预测数据，所述预设时刻与当前时刻的时间差为第一时长；判断模块：将风吹雪强度因子的预测数据与对应的权值进行加权求和后计算得到预设时刻的风吹雪强度，并判断预设时刻的风吹雪强度是否超过预警阈值。
5.根据权利要求4所述的公路风吹雪预警装置，其特征在于，所述权重矩阵构建模块包括：第一构建单元：在目标层下，根据准则层相对于准则层的重要性构建第一判断矩阵；第一特征分解单元：利用特征根法，对第一判断矩阵的列进行特征分解得到多个第一特征向量，并将多个特征向量标准化为多个第一权重向量；第一检验单元：对所有第一权重向量进行一致性检验，当一致性检验数值小于等于预设检验值时，则得到由多个第一权重向量构成的准则层权重矩阵。
6.根据权利要求4所述的公路风吹雪预警装置，其特征在于，所述模型训练单元包括：第二划分单元：将所述训练集划分为若干个时刻；选取单元：选在若干个时刻中确定输入时刻和预测时刻，所述预测时刻在输入时刻之后；学习单元：将训练集内的输入时刻的监测数据依次输入双向长短期记忆模型中进行学习后，按照时间顺序生成预测时刻的预测数据；计算单元：计算预测时刻的预测数据与监测数据之间的均方根，当所述均方根小于检测精度时，得到预测模型。
7.一种公路风吹雪预警设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述公路风吹雪预警方法的步骤。
8.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述公路风吹雪预警方法的步骤。
