1.一种商品时序数据预测方法，其特征在于，包括：获得初始商品时序数据，并对所述初始商品时序数据进行预处理，保存为标准商品时序数据；

根据所述标准商品时序数据获得商品时序特征，并利用GRU网络编码获得第一中间数据；

根据所述第一中间数据进行邻近区间划分，获得第四计算公式形式的第二中间数据，并对所述第一中间数据进行周期区间划分，获得第五计算公式形式的第三中间数据，对所述第二中间数据通过多头自注意力机制加权求和获得所述邻近区间高层语义信息表示，对所述第三中间数据通过多头自注意力机制加权求和获得所述周期区间高层语义信息表示；

根据所述邻近区间高层语义信息表示和所述周期区间高层语义信息表示进行拼接和特征变换，生成信息融合数据；

进行季节信息数据的特征获取及处理，生成季节特征数据；

根据所述信息融合数据和所述季节特征数据进行拼接和特征变换，生成目标融合数据；

根据所述目标融合数据进行的特征变换和激活函数，预测商品的价格和商品的销量；

所述第四计算公式为：

其中， 为所述第二中间数据，hn为所述第二中间数据的第n天的特征，t为邻近区间的最大值；

所述第五计算公式为：

其中， 为所述第三中间数据，h1、h2、…、hn为所述第一中间数据的第1天至第n天的特征。

2.如权利要求1所述的一种商品时序数据预测方法,其特征在于，所述获得初始商品时序数据，并对所述初始商品时序数据进行预处理，保存为标准商品时序数据，具体包括：通过互联网爬取可用的商品时序数据，保存为第一初始商品时序数据；

通过人工录入方式输入已有的商品时序数据，保存为第二初始商品时序数据；

将所述第一初始商品时序数据和所述第二初始商品时序数据一起保存为所述初始商品时序数据；

利用第一计算公式对所述初始商品时序数据进行数据预处理，保存为所述标准商品时序数据；

所述第一计算公式为：

其中，x为所述初始商品时序数据，x'为所述标准商品时序数据，min为所述初始商品时序数据x的最小值，max为所述初始商品时序数据x的最大值。

3.如权利要求1所述的一种商品时序数据预测方法,其特征在于，所述根据所述标准商品时序数据获得商品时序特征，并利用GRU网络编码获得第一中间数据，具体包括：根据所述标准商品时序数据利用第二计算公式进行商品时序特征提取，并获得所述商品时序特征；

利用第三计算公式将所述商品时序特征保存为用于GRU网络编码的底层数据，生成为所述第一中间数据；

所述第二计算公式为：

其中，X为所述商品时序特征，X是由n天的xz构成，xz为商品第z天的特征， 为n列d行的矩阵R，z为1到n的之间的整数；

所述第三计算公式为：

其中，H为所述第一中间数据，H是由n天的hz构成，hz为所述第一中间数据的第z天的特征， 为n列d行的矩阵R，z为1到n的之间的整数。

4.如权利要求1所述的一种商品时序数据预测方法，其特征在于，对所述第二中间数据通过多头自注意力机制加权求和获得所述邻近区间高层语义信息表示，对所述第三中间数据通过多头自注意力机制加权求和获得所述周期区间高层语义信息表示，具体包括：所述多头自注意力机制加权求和包括利用第六计算公式进行权重映射计算，进一步根据权重映射结果利用第七计算公式进行单头自注意力计算，获得单头自注意力，根据所述单头自注意力利用第八计算公式计算获得多头注意力；

所述第六计算公式为：

其中，Attention为权重映射函数，Q、K和V分别为3个输入向量，Q和K为dk维向量，V是dvT

维向量，K 表示K的转置，softmax为映射函数，所述映射函数的结果映射为[0,1]；

所述第七计算公式为：

Q K

其中，headi为第i个所述单头自注意力，Wi 为第i个第一变换矩阵，Wi 为第i个第二变换V

矩阵，Wi 为第i个第三变换矩阵，Attention为所述权重映射函数；

所述第八计算公式为：

其中，MultiHead为所述多头注意力，Concat为多个所述单头自注意力进行拼接，headio

为第i个所述单头自注意力，W 为第四变换矩阵。

5.如权利要求1所述的一种商品时序数据预测方法，其特征在于，所述根据所述邻近区间高层语义信息表示和所述周期区间高层语义信息表示进行拼接和特征变换，生成信息融合数据，具体包括：

所述周期区间高层语义信息表示整理为第九计算公式形式，并进行信息融合获得周期高层语意特征，其中，所述周期高层语意特征是7列d行的矩阵；

将所述周期高层语意特征与所述邻近区间高层语义信息表示进行拼接获得第四中间数据；

根据所述第四中间数据利用第十计算公式进行特征变换，获得所述信息融合数据；

所述第九计算公式为：

其中， 为所述周期区间高层语义信息表示；

所述第十计算公式为：

其中，M为所述信息融合数据，Wf为第一信息融合的变换矩阵，F为所述第四中间数据，bf为第一信息融合的偏置。

6.如权利要求1所述的一种商品时序数据预测方法，其特征在于，所述进行季节信息数据的特征获取及处理，生成季节特征数据，具体包括：根据季节因素信息利用Word2Vec对所述季节因素信息中的春、夏、秋、冬季节进行文本编码，生成所述季节特征数据。

7.如权利要求1所述的一种商品时序数据预测方法，其特征在于，所述根据所述信息融合数据和所述季节特征数据进行拼接和特征变换，生成目标融合数据，具体包括：将所述信息融合数据和所述季节特征数据进行拼接获得第五中间数据；

根据所述第五中间数据利用第十一计算公式进行特征变换，获得所述目标融合数据；

所述第十一计算公式为：

其中，E为所述目标融合数据，F为所述第五中间数据，Wfu为第二信息融合的变换矩阵，bfu为第二信息融合的偏置。

8.如权利要求1所述的一种商品时序数据预测方法，其特征在于，所述根据所述目标融合数据进行的特征变换和激活函数，预测商品的价格和商品的销量，具体包括：利用第十二计算公式的特征变换和激活函数，生成所述商品的价格和所述商品的销量；

所述第十二计算公式为：

其中，Relu为激活函数，E为所述目标融合数据，We为特征变换矩阵，be为特征变换的偏置，Y为所述商品的价格和所述商品的销量{ y1， y2 }，y1为所述商品的价格，y2为所述商品的销量。

9.一种商品时序数据预测系统，其特征在于，该系统包括：时序数据获取模块，用于获得初始商品时序数据，并对所述初始商品时序数据进行预处理，保存为标准商品时序数据；

第一特征获取模块，用于根据标准商品时序数据获得商品时序特征，并利用GRU网络编码获得第一中间数据；

第二特征获取模块，用于根据所述第一中间数据进行邻近区间划分，获得第四计算公式形式的第二中间数据，并对所述第一中间数据进行周期区间划分，获得第五计算公式形式的第三中间数据，对所述第二中间数据通过多头自注意力机制加权求和获得所述邻近区间高层语义信息表示，对所述第三中间数据通过多头自注意力机制加权求和获得所述周期区间高层语义信息表示；

第一语意融合模块，用于根据所述邻近区间高层语义信息表示和所述周期区间高层语义信息表示进行拼接和特征变换，生成信息融合数据；

季节数据获取模块，用于进行季节信息数据的特征获取及处理，生成季节特征数据；

第二语意融合模块，用于根据所述信息融合数据和所述季节特征数据进行拼接和特征变换，生成目标融合数据；

目标预测模块，用于根据所述目标融合数据进行的特征变换和激活函数，预测商品的价格和商品的销量；

其中，所述第四计算公式为：

其中， 为所述第二中间数据，hn为所述第二中间数据的第n天的特征，t为邻近区间的最大值；

所述第五计算公式为：

其中， 为所述第三中间数据，h1、h2、…、hn为所述第一中间数据的第1天至第n天的特征。

10.如权利要求9所述的一种商品时序数据预测系统，其特征在于，还包括：显示模块，用于显示所述信息融合数据、所述季节特征数据和所述商品的价格和销量；

存储模块，用于存储所述标准商品时序数据、所述第一中间数据、所述邻近区间高层语义信息表示、所述周期区间高层语义信息表示、所述信息融合数据、所述目标融合数据、所述商品的价格和销量。