1.一种基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征在于实施步骤包括：1)将犯罪数据划分为不同时间间隔长度的N种时间序列，在相同的时间间隔序列重采样，不同的时间间隔不要重采样，预测日期被称为时间点且作为N种时间序列的交叉点，得到犯罪数据对应的交织时间序列；2)基于交织时间序列构建训练集和测试集；3)分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，并通过训练集完成对局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的训练；4)将测试集分别输入完成训练的局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，分别得到不同的犯罪预测结果，且选择更佳的犯罪预测结果输出。2.根据权利要求1所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征在于，步骤3)中分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的详细步骤包括：3.1)建立LSTM循环神经网络模型以及GRU循环神经网络模型；3.2)分别将LSTM循环神经网络模型以及GRU循环神经网络模型设置为N个局部连接组成方式构建循环神经网络，且对N种时间序列构建N个独立的隐藏层，在输出层之前建立汇总层，最终构建得到局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型。3.根据权利要求2所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征为，步骤3.1)中LSTM循环神经网络模型的函数表达式如式(1)所示；式(1)中，ft为遗忘门，σ为Sigma函数，Wfh和Wfx为权值，ht-1为上一个短期状态值，xt为输入的犯罪次数，bf为偏置值，it为输入门，Wi为权值，bi为偏置值，为长期状态估计值，Wc为

权值，bc为偏置值，ct为长期状态，ct-1为上一个长期状态，ot为输出门，Wo为权值，bo为偏置值，ht为短期状态。4.根据权利要求2所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征为，步骤3.1)中GRU循环神经网络模型的函数表达式如式(2)所示；式(2)中，zt为更新门，σ为Sigma函数，Wx为权值，ht-1为上一个状态，Ux为权值，xt为输入的犯罪次数，rt为复位门，Wr为权值，Ur为权值，为状态估计值，U为权值，ht为状态。

5.根据权利要求2所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征为，步骤3.2)中建立的汇总层的函数表达式如式(3)所示；hintergrate＝Wh1×ht1+Wh2×ht2+…+Whk×htk       (3)式(3)中，hintergrate为汇总状态值，Wh1为权值，ht1为时间序列t1的状态值，Wh2为权值，ht2为时间序列t2的状态值，Whk为权值，htk为时间序列tk的状态值。6.根据权利要求1～5中任意一项所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征在于，步骤4)中选择更佳的犯罪预测结果输出具体是指基于均方误差MSE选择更佳的犯罪预测结果输出，均方误差MSE的函数表达式如式(4)所示；

式(4)中，MSE为均方误差，N为测试集中的样本个数，pred_resulti为测试集中第i个样本的预测值，true_resulti为测试集中第i个样本的真实值。7.根据权利要求1～5中任意一项所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征在于，步骤4)中选择更佳的犯罪预测结果输出具体是指基于平均绝对误差MAE选择更佳的犯罪预测结果输出，平均绝对误差MAE的函数表达式如式(5)所示；

式(5)中，MAE为平均绝对误差，N为测试集中的样本个数，pred_resulti为测试集中第i个样本的预测值，true_resulti为测试集中第i个样本的真实值。