1.一种数据预测模型的构建方法，用于客户端，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述参数识别模块包括特征学习器和参数标识器，所述特征学习器从低级已知数据和/或高级已知数据中学习特征，所述参数标识器基于学习的所述特征确定所述可变参数的值。
3.根据权利要求2所述的方法，其特征在于，所述可变参数包括依赖低级已知数据而变化的低级可变参数，和依赖高级已知数据而变化的高级可变参数。
4.根据权利要求3所述的方法，其特征在于，
5.根据权利要求4所述的方法，其特征在于，所述低级已知数据是依赖时刻的数据点，所述高级数据是时间序列。
6.根据权利要求5所述的方法，其特征在于，所述低级特征学习器从实时的所述数据点学习低级特征，所述高级特征学习器从实时更新的时间序列学习高级特征；
7.根据权利要求1所述的方法，其特征在于，所述低级已知数据包括：像素点或图像块、视频帧或视频片段、三维点或三维点簇；
8.根据权利要求1所述的方法，其特征在于，所述数据预测模型还包括对所述目标数据进行误差修正的误差修正模块；
9.根据权利要求8所述的方法，其特征在于，还包括：删除所述机理模型中内置的误差项。
10.根据权利要求8所述的方法，其特征在于，所述数据预测模型使用标准反向传播进行训练，并且对于带有真实标签y的训练样本，所述数据预测模型的目标函数为：
11.根据权利要求10所述的方法，其特征在于，所述机理模型还包括不依赖于所述低级已知数据和所述高级已知数据的常量参数，所述常量参数被所述数据预测模型学习。
12.根据权利要求1所述的方法，其特征在于，所述数据预测模型包括多个所述机理模型；并且所述数据预测模型还包括注意力聚合器，所述注意力聚合器将多个所述机理模型的预测的目标数据进行聚合。
13.根据权利要求12所述的方法，其特征在于，所述注意力聚合器将多个所述机理模型的预测的目标数据进行加权平均，得到聚合后的目标数据，其中权重向量w是：
14.根据权利要求13所述的方法，其特征在于，所述数据预测模型使用标准反向传播进行训练，并且对于带有真实标签y的训练样本，所述数据预测模型的目标函数为：
15.一种数据预测方法，用于客户端，其特征在于，包括使用根据权利要求1-14中任一项所述的方法构建的数据预测模型，基于已知数据，预测得到目标数据。
16.一种数据预测模型的构建装置，其特征在于，包括：
17.一种数据预测装置，其特征在于，包括：数据预测模块，使用根据权利要求16所述的装置构建的数据预测模型，基于已知数据，预测得到目标数据。
18.一种计算设备集群，其特征在于，包括至少一个计算设备，每个计算设备包括处理器和存储器；所述至少一个计算设备的处理器用于执行所述至少一个计算设备的存储器中存储的指令，以使得所述计算设备集群执行根据权利要求1-14中任意一项所述的数据预测模型的构建方法，或者根据权利要求15所述的数据预测方法。
19.一种包含指令的计算机程序产品，其特征在于，当所述指令被计算设备集群运行时，使得所述计算设备集群执行根据权利要求1-14中任意一项所述的数据预测模型的构建方法，或者根据权利要求15所述的数据预测方法。
20.一种计算机可读取存储介质，其特征在于，包括计算机程序指令，当所述计算机程序指令由计算设备集群执行时，所述计算设备集群执行根据权利要求1-14中任意一项所述的数据预测模型的构建方法，或者根据权利要求15所述的数据预测方法。