1.一种基于生成对抗网络的多相关时间序列预测系统，其特征在于，用于不同位置气象站记录的气象数据不同时间序列，其中气象数据是每日温度的数据，包括：交互矩阵生成器，将原始随机向量映射成交互矩阵；交互矩阵用于表示气象数据不同时间序列之间的交互关系；

交互矩阵生成器包括一个转置卷积网络，所述转置卷积网络的全连接层用于将原始随机向量映射为三维特征表示，所述转置卷积网络的转置卷积层用于处理三维特征表示，得到输出矩阵，并将输出矩阵对称化处理，得到交互矩阵；

对称化处理包括：

其中，O是输出矩阵，A交互矩阵；

预测值生成器，使用图卷积网络从时间序列交互图中得到中间特征表示，以及使用循环神经网络处理所述中间特征表示，得到每个时间序列的预测值；所述时间序列交互图由所述交互矩阵和时间序列特征矩阵生成；

时间序列判别器，基于虚假时间序列样本和真实时间序列样本进行训练，训练完成后的所述时间序列判别器用于将梯度信息反馈给所述交互矩阵生成器和所述预测值生成器；所述虚假时间序列样本为原始时间序列特征向量添加所述预测值生成，所述真实时间序列样本为原始时间序列特征向量添加真实值生成。

2.根据权利要求1所述的基于生成对抗网络的多相关时间序列预测系统，其特征在于，所述循环神经网络为长短期记忆网络。

3.根据权利要求1所述的基于生成对抗网络的多相关时间序列预测系统，其特征在于，所述图卷积网络的网络深度设置为3层或4层。

4.一种基于生成对抗网络的多个相关时间序列预测方法，其特征在于，应用于基于生成对抗网络的多相关时间序列预测系统，所述基于生成对抗网络的多相关时间序列预测系统包括交互矩阵生成器、预测值生成器和时间序列判别器，所述交互矩阵生成器、所述预测值生成器和所述时间序列判别器两两相互连接；

所述方法用于不同位置气象站记录的气象数据不同时间序列，其中气象数据是每日温度的数据，所述方法包括以下步骤：通过所述交互矩阵生成器将原始随机向量映射成交互矩阵；交互矩阵用于表示气象数据不同时间序列之间的交互关系；交互矩阵生成器包括一个转置卷积网络，所述转置卷积网络的全连接层用于将原始随机向量映射为三维特征表示，所述转置卷积网络的转置卷积层用于处理三维特征表示，得到输出矩阵，并将输出矩阵对称化处理，得到交互矩阵；

对称化处理包括：

其中，O是输出矩阵，A交互矩阵；

根据所述交互矩阵和时间序列特征矩阵构建时间序列交互图；所述将原始随机向量映射成交互矩阵，包括以下步骤：通过全连接层将所述原始随机向量映射为三维特征表示，并使用转置卷积层处理所述三维特征表示，得到输出矩阵，将所述输出矩阵对称化处理，得到所述交互矩阵；

通过所述预测值生成器使用图卷积网络从所述时间序列交互图中得到中间特征表示，并使用循环神经网络处理所述中间特征表示，得到每个时间序列的预测值；

通过虚假时间序列样本和真实时间序列样本训练所述时间序列判别器，通过训练完成后的所述时间序列判别器将梯度信息反馈给所述交互矩阵生成器和所述预测值生成器；其中所述虚假时间序列样本为原始时间序列特征向量添加所述预测值生成，所述真实时间序列样本为原始时间序列特征向量添加真实值生成。

5.根据权利要求4所述的基于生成对抗网络的多个相关时间序列预测方法，其特征在于，所述循环神经网络为长短期记忆网络。

6.根据权利要求4所述的基于生成对抗网络的多个相关时间序列预测方法，其特征在于，所述图卷积网络的网络深度设置为3层或4层。

7.一种基于生成对抗网络的多个相关时间序列预测设备，其特征在于，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求4至6任一项所述的基于生成对抗网络的多个相关时间序列预测方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求4至6任一项所述的基于生成对抗网络的多个相关时间序列预测方法。