1.一种应用于AIOps故障预警的动态阈值预测方法，其特征在于，包括：获取待测设备在预设时段内的历史流量数据，并对所述历史流量数据进行预处理，得到目标数据集；

所述对所述历史流量数据进行预处理，得到目标数据集的步骤，包括：对所述历史流量数据进行格兰杰因果检验和相关性分析，得到特征相关分析结果；

根据所述特征相关分析结果剔除与所述历史流量数据中的接收流量数据相关性较小的特征后形成所述目标数据集；

根据所述目标数据集进行拓扑数据分析，提取拓扑特征，以及，将所述目标数据集输入卷积神经网络，提取时空特征；

所述根据所述目标数据集进行拓扑数据分析，提取拓扑特征的步骤，包括：对所述目标数据集进行takens嵌入，转换为点云数据集；

使用所述点云数据集进行持续同调；

根据持续同调的结果得到基于欧式距离、Bottleneck距离、Wasserstein距离和持续性熵的拓扑特征；

所述对所述目标数据集进行takens嵌入，转换为点云数据集的步骤，包括：所述目标数据集进行归一化处理后使用转换函数进行转换，得到所述点云数据集；

所述根据持续同调的结果得到基于欧式距离、Bottleneck距离、Wasserstein距离和持续性熵的拓扑特征的步骤，包括：计算所述点云数据集中全部点对应的欧式 距离矩阵；

持续增大所述点云数据集中点的半径并根据所述欧式距离矩阵构造每一轮的同调群；

根据所述同调群的生灭关系输出所述拓扑特征；

将所述拓扑特征、所述时空特征和统计特征联结，训练门控循环单元网络，得到预测结果，其中，所述统计特征包括所述目标数据集的均值和方差；

将所述预测结果和所述均值代入预设公式，计算所述待测设备在指定置信度下的预测阈值区间。

2.根据权利要求1所述的方法，其特征在于,所述预设公式为其中，TR表示所述预测阈值区间， 表示网络流量的预测结果，N表示所述目标数据集中样本总数，xi表示第i个样本，u表示所述目标数据集的均值，h表示预测步数，k表示置信乘子。

3.根据权利要求1所述的方法，其特征在于,所述将所述预测结果和所述均值代入预设公式，计算所述待测设备在指定置信度下的预测阈值区间的步骤之后，所述方法还包括：采集与所述预测阈值区间对应的每个时间节点的目标流量数据；

依次将每个所述时间节点的目标流量数据与预测阈值区间进行比对；

当检测到所述目标流量数据不在所述预测阈值区间内时，则在对应的时间节点发送预警信息。

4.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1‑3中任一项所述的应用于AIOps故障预警的动态阈值预测方法。

5.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1‑3中任一项所述的应用于AIOps故障预警的动态阈值预测方法。