1.一种基于XGBoost的序列预测模型构建方法，用于获得石笋氧同位素序列中随机项序列的预测模型，其特征在于，所述的方法按照以下步骤执行：步骤1、获取N个石笋氧同位素值，获得石笋氧同位素序列y'＝{y1'，y2'，…，yt'，…，yN'}，yt’表示石笋氧同位素序列的第t个同位素值，t＝1,2,…，N，N为正整数；

步骤2、对所述的石笋氧同位素序列y'进行数据质量提升，获得质量提升后的石笋氧同*

位素序列y；

*

步骤3、将所述提升后的石笋氧同位素序列y进行数据重构，获得重构的石笋氧同位素序列y，所述重构的石笋氧同位素序列y包括随机项序列和周期项序列；

步骤4、采用式II获得随机项序列的第t项xt：其中yt表示步骤3获得的重构的石笋氧同位素序列第t个值，pt表示第t个周期项序列的值，a0表示周期项初始值，ak表示第k个谐波对应的余弦函数的系数，bk表示第k个谐波对应的正弦函数的系数，k＝1,2,…,M，M表示谐波个数，M为大于0的整数；

步骤5、令t＝t+1，返回步骤4，直至t＝N，获得随机项序列x和周期项序列p；

步骤6、重复本步骤，选取随机项序列x的前q列数据作为一个样本数据，q＝1,2，…，N‑

1，获得N‑1个样本数据，获得样本集；

将每一个样本数据对应的随机项序列x的第q+1列数据作为标签数据，获得N‑1个标签数据，获得标签集；

步骤7、将所述的样本集作为输入，将所述的标签集作为参考输出，训练XGBoost模型，获得随机项序列预测模型。

2.如权利要求1所述的基于XGBoost的序列预测模型构建方法，其特征在于，所述的步骤2具体包括：

步骤2.1、采用最近邻插值法对所述的石笋氧同位素序列y'进行修复，获得修复后的石笋氧同位素序列；

步骤2.2、采用最小二乘法对所述的修复后的石笋氧同位素序列进行去趋势处理，获得*

质量提升后的石笋氧同位素序列y。

3.如权利要求1所述的基于XGBoost的序列预测模型构建方法，其特征在于，所述的步骤3具体包括：

*

步骤3.1、将所述的质量提升后的石笋氧同位素序列y 转换为轨迹矩阵X后，采用式I获得特征矩阵X'：

T

X'＝X*X        式I步骤3.2、对所述的特征矩阵X'进行奇异值分解，获得m个特征值，m为正整数；

步骤3.3、对所述的m个特征值按照从大到小的顺序进行排列后，选取前M个特征值进行矩阵重构，获得重构的石笋氧同位素序列y。

4.如权利要求1所述的基于XGBoost的序列预测模型构建方法，其特征在于，M＝28。

5.一种降水趋势预测方法，用于预测待预测区域时刻j的降水趋势，j为正整数，其特征在于，所述的方法按照以下步骤执行：步骤A、获取待预测区域时刻1至时刻j‑1的石笋氧同位素值，获得石笋氧同位素序列；

获取待预测区域时刻j的石笋氧同位素值；

步骤B、采用权利要求1‑4任一项权利要求所述基于XGBoost的序列预测模型构建方法中步骤2‑5的方法对步骤A获得的石笋氧同位素序列进行处理，获得随机项序列预测模型和周期项序列p；

将所述的待预测区域时刻j的石笋氧同位素值输入至随机项序列预测模型中，获得时刻j的随机项序列x’；

步骤C、将时刻j的石笋氧同位素输入至所述的周期项序列p中，获得时刻j的周期项序列p’；

步骤D、获得降水趋势预测函数l，l＝p’+x’；

步骤E、判断所述的降水趋势预测函数l的斜率，若斜率小于0，则待预测区域j时刻降水量上升，否则待预测区域j时刻降水量下降。

6.一种基于XGBoost的序列预测模型构建装置，其特征在于，所述的装置包括数据获取模块、数据质量提升模块、数据重构模块、序列获得模块、数据集获得模块以及模型训练模块；

所述的数据获取模块用于获取N个石笋氧同位素值，获得石笋氧同位素序列y'＝{y1'，y2'，…，yt'，…，yN'}，yt’表示石笋氧同位素序列的第t个同位素值，t＝1,2,…，N，N为正整数；

所述的数据质量提升模块用于对所述的石笋氧同位素序列y'进行数据质量提升，获得*

质量提升后的石笋氧同位素序列y；

*

所述的数据重构模块用于将所述提升后的石笋氧同位素序列y 进行数据重构，获得重构的石笋氧同位素序列y，所述重构的石笋氧同位素序列y包括随机项序列和周期项序列；

所述的序列获得模块用于采用式II获得随机项序列的第t项xt：其中yt表示获得的重构的石笋氧同位素序列第t个值，pt表示第t个周期项序列的值，a0表示周期项初始值，ak表示第k个谐波对应的余弦函数的系数，bk表示第k个谐波对应的正弦函数的系数，k＝1,2,…,M，M表示谐波个数，M为大于0的整数；

令t＝t+1，直至t＝N，获得随机项序列x和周期项序列p；

所述的数据集获得模块用于选取随机项序列x的前q列数据作为一个样本数据，q＝1,

2，…，N‑1，获得N‑1个样本数据，获得样本集；

将每一个样本数据对应的随机项序列x的第q+1列数据作为标签数据，获得N‑1个标签数据，获得标签集；

所述的模型训练模块用于将所述的样本集作为输入，将所述的标签集作为参考输出，训练XGBoost模型，获得随机项序列预测模型。

7.如权利要求6所述的基于XGBoost的序列预测模型构建装置，其特征在于，所述的数据质量提升模块具体包括修复子模块以及去趋势处理子模块；

所述的修复子模块用于采用最近邻插值法对所述的石笋氧同位素序列y'进行修复，获得修复后的石笋氧同位素序列；

所述的去趋势处理子模块用于采用最小二乘法对所述的修复后的石笋氧同位素序列*

进行去趋势处理，获得质量提升后的石笋氧同位素序列y。

8.如权利要求6所述的基于XGBoost的序列预测模型构建装置，其特征在于，所述的数据重构模块具体包括轨迹矩阵转换子模块、奇异值分解子模块以及矩阵重构子模块；

*

所述的轨迹矩阵转换子模块用于将所述的质量提升后的石笋氧同位素序列y转换为轨迹矩阵X后，采用式I获得特征矩阵X'：T

X'＝X*X       式I所述的奇异值分解子模块用于对所述的特征矩阵X'进行奇异值分解，获得m个特征值，m为正整数；

所述的矩阵重构子模块用于对所述的m个特征值按照从大到小的顺序进行排列后，选取前M个特征值进行矩阵重构，获得重构的石笋氧同位素序列y。

9.如权利要求6所述的基于XGBoost的序列预测模型构建装置，其特征在于，M＝28。

10.一种降水趋势预测装置，用于预测待预测区域时刻j的降水趋势，j为正整数，其特征在于，所述的装置包括序列获取模块、随机项预测序列获得模块、周期项预测序列获得模块、预测函数获得模块以及预测模块；

所述的序列获取模块用于获取待预测区域时刻1至时刻j‑1的石笋氧同位素值，获得石笋氧同位素序列；

所述的序列获取模块还用于获取待预测区域时刻j的石笋氧同位素值；

所述的随机项预测序列获得模块用于采用权利要求6‑9任一项权利要求所述基于XGBoost的序列预测模型构建装置中的方法对获得的石笋氧同位素序列进行处理，获得随机项序列预测模型和周期项序列p；

还用于将所述的待预测区域时刻j的石笋氧同位素值输入至随机项序列预测模型中，获得时刻j的随机项序列x’；

所述的周期项预测序列获得模块用于将时刻j的石笋氧同位素输入至所述的周期项序列p中，获得时刻j的周期项序列p’；

所述的预测函数获得模块用于获得降水趋势预测函数l，l＝p’+x’；

所述的预测模块用于判断所述的降水趋势预测函数l的斜率，若斜率小于0，则待预测区域j时刻降水量上升，否则待预测区域j时刻降水量下降。