1.一种建筑水泥材料需求量预测方法，其特征在于，包括以下步骤：

S1、收集包括图片和时间序列数据的建筑水泥材料相关数据，其中图片数据包括定期拍摄的建筑现场照片，时间序列数据包括水泥材料的实际消耗数据、施工期间的天气情况、施工计划表；

S2、构建多模态信息结合模块，分别使用卷积神经网络和查找表对建筑水泥材料的图片数据和时间序列数据进行处理，获得这两种模态数据的特征信息，随后将两种模态的特征信息相结合；

S3、利用两个多层感知机对特征信息先降维去除冗余信息，随后再次进行升维操作；

S4、构建信息映射模块，利用傅里叶变换将时间序列信息映射为频域信息，其中包括实部和虚部两种分量；

S5、构建频域LSTM模块，改进了原始LSTM的输入门、遗忘门、输出门和候选记忆单元，使频域LSTM其能够同时学习频域信息的实部和虚部两种分量，进而在频域内捕捉时间序列的关键模式和依赖关系；

S6、使用注意力机制，将频域LSTM模块最后的输出作为查询，全部输出作为键与值，通过计算查询与键之间的相似度来生成注意力权重，这些注意力权重用于加权值，从而进一步得到包含历史关键时间步信息的特征表示；

S7、使用全连接神经网络对特征表示进行计算，得到最终的建筑水泥材料需求量预测值。

2.根据权利要求1所述的一种建筑水泥材料需求量预测方法，其特征在于，所述步骤S2，对于多模态信息结合模块，需要对建筑水泥材料的图片与时间序列数据两种不同模态的数据进行处理，得到它们的特征信息并将其结合，因此输入包括建筑水泥材料图片数据其中W、H分别为图片的宽、高，T为时间戳的数量，为在时间戳t∈[1，T]处的图片，以及建筑水泥材料时间序列数据其中N、T分别为时间序列的数量和时间戳的数量，为在时间戳t∈[1，T]处的多变量值表示，首先使用卷积神经网络对建筑水泥材料的图片数据P进行处理：P′＝Conv(P)；

式中Conv(·)为卷积神经网络,为卷积操作后的图片特征表示，将图片拉直后得到新的图片特征表示然后通过查找表而对输入建筑水泥材料时间序列数据X进行处理：X′＝Emb(X)；

式中Emb(·)为查找表函数，为时间序列数据X通过查找表获得的新嵌入表示，M为数据进行查找表操作后得到的新维度，同样对进行拉直后得到新的嵌入表示得到两种模态数据的特征信息X″与P″后，便将其进行拼接得到包含多模态信息的特征表示

3.根据权利要求2所述的一种建筑水泥材料需求量预测方法，其特征在于，所述步骤S3，对于信息降维和升维操作，首先使用多层感知机对特征表示Y进行降维操作：Y′＝σ(MLP1(Y))；

式中MLP1(·)为进行降维的多层感知机，为Y经过降维后的特征表示,q＜(W×H+N×M)为Y′的维度，σ为Sigmoid函数，然后，使用多层感知机对特征表示Y′进行升维操作：V＝σ(MLP2(Y′))；

式中MLP2(·)为升维操作的多层感知机，为Y′经过升维后的特征表示,为在时间戳t∈[0，T]处的特征表示，k＞q为V的维度，σ为Sigmoid函数。

4.根据权利要求3所述的一种建筑水泥材料需求量预测方法，其特征在于，所述步骤S4，对于信息映射模块，利用傅里叶变换将特征信息V转换为频域信息，具体计算过程如下：式中V(vt)为V中时间戳t∈[1，T]处的特征表示，为时间戳t处的频域信息，表示V(vt)经过傅里叶变换后的结果，lt为频率变量，表示信号在频域中的频率，Im(V(vt))为的虚部，为的实部，j为虚数单位，频域信息的全局视角和能量压缩特性能够更有效对时间序列进行预测。

5.根据权利要求4所述的一种建筑水泥材料需求量预测方法，其特征在于，所述步骤S5，对于频域LSTM模块，将原始LSTM的输入门、遗忘门、输出门和候选记忆单元进行改进，使其能够同时学习频域信息的实部和虚部两种分量，首先需要分别对特征表示Re(V(vt))和Im(V(vt))进行拉直，得到新维度的特征表示其中d＝k×T，随后将其输入频域LSTM，频域LSTM的计算过程如下：ht＝ot⊙tanh(ct)；

式中WiUi、Wf、Uf、Wo、Uo、Wc、Uc为可学习的权重参数，bi、bf、bo、bc为偏置参数，σ为Sigmoid函数，分别为时间戳t处LSTM的输入门、遗忘门和输出门，为时间戳t处的候选记忆单元，为时间戳t处的记忆单元，为时间戳t处的隐藏状态，⊙为按元素相乘。

6.根据权利要求5所述的一种建筑水泥材料需求量预测方法，其特征在于，所述步骤S6中，对于使用注意力机制关注历史关键时间步信息的特征表示，将频域LSTM最后时刻T的输出oT作为注意力机制中的查询,频域LSTM的所有输出作为键、值，计算查询与键之间的相似度生成注意力权重，并根据该权重对相应的值加权，将加权后的值相加得到最终的特征表示，具体计算过程如下：式中为ot的转置，st为注意力得分，at为将st归一化的注意力权重，为所有输出值键最终的加权和。