1.一种电缆温度异常预测方法，其特征在于，所述方法包括：构建PSO‑SVM分类器，所述PSO‑SVM分类器用于预测异常的电缆温度信息；

构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息；

获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；

将所述待预测时间对应的季度温度综合预测信息输入至所述PSO‑SVM分类器进行电缆温度异常监测；

所述构建PSO‑SVM分类器，所述PSO‑SVM分类器用于预测异常的电缆温度信息包括：对预设的电缆温度数据标注为正常数据或异常数据，得到电缆温度标注样本集，所述预设的电缆温度数据包括连续不同时间点上采集到的若干条电缆温度信息，每一条电缆温度信息包括第一传感器检测到的第一温度信息temp1和第二传感器检测到的第二温度信息temp2；

初始化PSO算法种群；

根据所述PSO算法种群设置SVM分类器；

采用所述电缆温度标注样本集对所述SVM分类器进行训练，根据训练结果计算泛化能力评价指标；

根据所述泛化能力评价指标计算所述PSO算法种群的适应度；

当所述适应度为最优值时停止训练，否则继续优化PSO算法种群训练SVM分类器；

所述PSO算法种群的适应度的计算公式为：

，

其中， 表示PSO算法种群的适应度， 表示泛化能力评价指标， 表示适应度系数， 表示随机噪声量， 表示常量噪声；

SVM分类直线方程为：

，

其中， 分别表示SVM分类直线方程的参数；

所述泛化能力评价指标 定义为：正常数据和异常数据距离SVM分类直线方程所表示的SVM分类直线中最近的两个点，与SVM分类直线的距离之和，即， 表示欧式距离， 表示异常样本点

到直线L的欧式距离， 表示正常样本点 到直线L的欧式距离；

所述泛化能力评价指标 的值越大，表明SVM分类器的泛化能力越好，分类效果越好。

2.如权利要求1所述的电缆温度异常预测方法，其特征在于，所述对预设的电缆温度数据标注为正常数据或异常数据，得到电缆温度标注样本集包括：获取k时刻下的电缆温度信息，所述电缆温度信息包括第一传感器检测到的第一温度信息和第二传感器检测到的第二温度信息；

若所述第一温度信息和第二温度信息满足预设条件之一时，将所述k时刻下的电缆温度信息标注为异常数据，否则标注为正常数据；

其中，所述预设条件包括所述第一温度信息和第二温度信息的差的绝对值大于或等于第一预设阈值、所述第一温度信息大于或等于第二预设阈值、所述第二温度信息大于或等于第二预设阈值、k时刻下的第一温度信息与k‑1时刻下的第一温度信息的差的绝对值大于或等于第三预设阈值、k时刻下的第二温度信息与k‑1时刻下的第二温度信息的差的绝对值大于或等于第三预设阈值。

3.如权利要求1所述的电缆温度异常预测方法，其特征在于，所述构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息包括：获取电缆温度训练样本集，根据所述电缆温度训练样本集训练GRU神经网络，得到全季度电缆温度预测网络；

将所述电缆温度训练样本集按照季度进行划分，得到四季度对应的电缆温度训练样本季度集；

对所述四季度对应的电缆温度训练样本季度集进行数据交错处理；

遍历每一季度，根据交错处理后该季度对应的电缆温度训练样本季度集训练GRU神经网络，得到对应的单季度电缆温度预测网络。

4.如权利要求3所述的电缆温度异常预测方法，其特征在于，所述对所述四季度对应的电缆温度训练样本季度集进行数据交错处理包括：S1：对于一个季度，获取所述季度对应的电缆温度训练样本季度集及其样本总数；

S2：根据所述样本总数确定交换集中的交换样本的目标个数；

S3：从1到所述样本总数的区间中获取一个随机数，获取所述随机数对应到所述电缆温度训练样本季度集中的电缆温度训练样本作为一个交换样本，重复执行若干次直至获取到的交换样本个数达到所述目标个数，得到一个交换集；

S4：重复执行步骤S2和S3，分别得到其余3个季度对应的交换集，将所述交换集并入对应的电缆温度训练样本季度集中；

S5：遍历四个季度中的每一个季度，重复执行上述步骤S1至步骤S4。

5.如权利要求1所述的电缆温度异常预测方法，其特征在于，所述根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息包括：根据所述待预测时间所属季节获取对应的单季度电缆温度预测网络；

采用所述单季度电缆温度预测网络对所述待预测时间进行预测，得到第一季度温度预测信息，所述第一季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；

采用所述全季度电缆温度预测网络对所述待预测时间进行预测，得到第二季度温度预测信息，所述第二季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；

对所述第一季度温度预测信息和第二季度温度预测信息进行加权求和，得到所述待预测时间对应的季度温度综合预测信息。

6.一种电缆温度异常预测装置，其特征在于，所述装置包括：分类器构建模块，用于构建PSO‑SVM分类器，所述PSO‑SVM分类器用于预测异常的电缆温度信息；

预测网络构建模块，用于构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息；

预测模块，获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；

异常监测模块，用于将所述待预测时间对应的季度温度综合预测信息输入至所述PSO‑SVM分类器进行电缆温度异常监测；

所述分类器构建模块包括：

标注单元，用于对预设的电缆温度数据标注为正常数据或异常数据，得到电缆温度标注样本集，所述预设的电缆温度数据包括连续不同时间点上采集到的若干条电缆温度信息，每一条电缆温度信息包括第一传感器检测到的第一温度信息temp1和第二传感器检测到的第二温度信息temp2；

初始化单元，用于初始化PSO算法种群；

设置单元，用于根据所述PSO算法种群设置SVM分类器；

训练单元，用于采用所述电缆温度标注样本集对所述SVM分类器进行训练，根据训练结果计算泛化能力评价指标；

计算单元，用于根据所述泛化能力评价指标计算所述PSO算法种群的适应度；当所述适应度为最优值时停止训练，否则继续优化PSO算法种群训练SVM分类器；

所述PSO算法种群的适应度的计算公式为：

，

其中， 表示PSO算法种群的适应度， 表示泛化能力评价指标， 表示适应度系数， 表示随机噪声量， 表示常量噪声；

SVM分类直线方程为：

，

其中， 分别表示SVM分类直线方程的参数；

所述泛化能力评价指标 定义为：正常数据和异常数据距离SVM分类直线方程所表示的SVM分类直线中最近的两个点，与SVM分类直线的距离之和，即， 表示欧式距离， 表示异常样本点

到直线L的欧式距离， 表示正常样本点 到直线L的欧式距离；

所述泛化能力评价指标 的值越大，表明SVM分类器的泛化能力越好，分类效果越好。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的电缆温度异常预测方法。

8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

6任一项所述的电缆温度异常预测方法。