1.一种短时物流需求预测方法，其特征在于，包括：获取第一信息，所述第一信息包括第一时间段内的历史物流数据，所述第一时间段为以当前时刻为统计终点的一段时间；

基于第一信息，以预设时间段为单位将所述第一信息分割为多个子集并构成样本集，统计每个所述子集内的实际物流需求值，选取时间段最晚的两个所述子集构成预测集；

建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型,所述短时物流需求预测模型为EEMD‑LMD‑LSTM模型；

其中，所述建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型，包括：建立局部均值分解数学模型，将每个所述子集作为局部均值分解数学模型的输入信息，求解局部均值分解数学模型得到第三信息，第三信息包括每个子集所对应的若干份PF分量和残差分量Ut；

建立长短时记忆神经网络模型；利用第三信息对长短时记忆神经网络模型进行训练，得到训练后的第二需求预测模型；

将所述预测集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果，所述第二时间段为以当前时刻为统计起点的一段时间；

建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述局部误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果；

其中，所述建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述局部误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果，包括：在所有所述子集中排除时间段最早的两个所述子集，将剩余的所述子集作为数据集；

将所述样本集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果；

将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集；

建立误差短时预测模型，并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型，将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息，求解训练后的所述误差短时预测模型得到误差集预测结果，所述建立误差短时预测模型的步骤与所述短时物流需求预测模型相同；

根据所述预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型，求解所述局部突变状态判断数学模型得到第四信息，所述第四信息包括所述第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点；

建立校正数据数学模型，所述校正数据数学模型的输入信息包括所述第二时间段内的短时物流需求预测结果、误差集预测结果和所述第四信息，所述校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。

2.根据权利要求1所述的短时物流需求预测方法，其特征在于，所述建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型，包括：建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型，利用所述样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型；

建立融合预测模型，所述融合预测模型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结果，所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。

3.一种短时物流需求预测装置，其特征在于，包括：第一信息获取单元，用于获取第一信息，所述第一信息包括第一时间段内的历史物流数据，所述第一时间段为以当前时刻为统计终点的一段时间；

信息分割单元，用于基于第一信息，以预设时间段为单位将所述第一信息分割为多个子集并构成样本集，统计每个所述子集内的实际物流需求值，选取时间段最晚的两个所述子集构成预测集；

训练单元，用于建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型,所述短时物流需求预测模型为EEMD‑LMD‑LSTM模型；

所述训练单元，包括：

局部均值分解算法单元，用于建立局部均值分解数学模型，将每个所述子集作为局部均值分解数学模型的输入信息，求解局部均值分解数学模型得到第三信息，第三信息包括每个子集所对应的若干份PF分量和残差分量Ut；

第二特征训练单元，用于建立长短时记忆神经网络模型，利用第三信息对长短时记忆神经网络模型进行训练，得到训练后的第二需求预测模型；

预测单元，用于将所述预测集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果，所述第二时间段为以当前时刻为统计起点的一段时间；

误差校正计算单元，用于建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述局部误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果；

其中，误差校正计算单元包括：

数据集划分单元，用于在所有所述子集中排除时间段最早的两个所述子集，将剩余的所述子集作为数据集；

数据集预测单元，用于将所述样本集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果；

误差集计算单元，用于将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集；

误差集预测单元，用于建立误差短时预测模型，并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型，将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息，求解训练后的所述误差短时预测模型得到误差集预测结果，所述建立误差短时预测模型的步骤与所述短时物流需求预测模型相同；

突变判断单元，用于根据所述预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型，求解所述局部突变状态判断数学模型得到第四信息，所述第四信息包括所述第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点；

数据校正单元，用于建立校正数据数学模型，所述校正数据数学模型的输入信息包括所述第二时间段内的短时物流需求预测结果、误差集预测结果和所述第四信息，所述校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。

4.根据权利要求3所述的短时物流需求预测装置，其特征在于，所述训练单元包括：第一训练子单元，用于建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型，利用样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型；

融合计算单元，用于建立融合预测模型，所述融合预测模型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结果，所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。

5.一种短时物流需求预测设备，其特征在于，包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述短时物流需求预测方法的步骤。

6.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述短时物流需求预测方法的步骤。