1.一种基于时序数据的桥梁索力预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时序数据的桥梁索力预测方法，其特征在于，在步骤1中，根据载荷模型对桥梁进行有限元分析，提取拉索在一个自然周期的最大张力，对每一拉索的最大张力进行归一化处理，生成拉索的载荷指数k，k∈[0,1]。
3.根据权利要求1所述的基于时序数据的桥梁索力预测方法，其特征在于，在步骤2中，第一采集装置采集拉索的至少一个表面图像，将表面图像处理为表面校正图像，基于灰度直方图和阈值分割法提取表面校正图像的表面损伤区域，根据表面损伤区域的像素点数量生成多个采样点的表面状态数据。
4.根据权利要求1所述的基于时序数据的桥梁索力预测方法，其特征在于，在步骤2中，第二采集装置在不同旋转角采集拉索的原始射线图像，根据多幅原始射线图像生成截面校正图像，提取截面校正图像的截面损伤区域，根据截面损伤区域的像素点数量生成多个采样点的截面状态数据。
5.根据权利要求1所述的基于时序数据的桥梁索力预测方法，其特征在于，在步骤2中，第三采集装置采集拉索的磁通变化量和当前磁感应强度，根据拉索的磁通变化量、当前磁感应强度和无缺陷磁感应强度计算多个采样点的缺陷状态数据。
6. 根据权利要求1所述的基于时序数据的桥梁索力预测方法，其特征在于，在步骤5中，表面变化矩阵a'由多个监测周期的多个采样点的表面变化数据组成，其中，监测周期t中采样点j的表面变化数据a't×j=at×j -a (t-τ)×j，at×j为监测周期t中采样点j的表面状态数据，a (t-τ)×j为监测周期t-τ中采样点j的表面状态数据，τ为自然周期包含的监测周期数，t＞τ。
7. 根据权利要求1所述的基于时序数据的桥梁索力预测方法，其特征在于，在步骤6中，缺陷状态矩阵的均值为μ，缺陷状态矩阵的标准差为σ，该拉索的上控制限s1= (μ+3σ)/μ，下控制限s2= (μ-3σ)/μ。
8.根据权利要求1所述的基于时序数据的桥梁索力预测方法，其特征在于，在步骤7中，沿监测周期的顺序将第一观测样本的多个表面变化数据输入至门控循环预测模型，训练该门控循环预测模型的至少一个模型参数，根据该门控循环预测模型预测下一监测周期的表面变化数据，根据下一监测周期的表面变化数据和当前监测周期的表面状态数据获得下一监测周期的表面状态数据，下一监测周期的多个表面状态数据构成表面预测序列。
9. 根据权利要求7所述的基于时序数据的桥梁索力预测方法，其特征在于，在步骤8中，构造索力权重w1和w2，状态预测序列中每一采样点的状态预测数据dt×j=(w1at×j+w2bt×j)，其中，at×j为监测周期t中采样点j的表面状态数据，bt×j为监测周期t中采样点j的截面状态数据，计算该拉索中dt×j[d0s2, d0s1]的异常采样点，其中连续的异常采样点的最大数量为n，该拉索的载荷指数为k，d0为拉索损伤的基准值，若至少一个拉索的n×k超过许用上限，当前桥梁索力状态为报警状态。
10.一种实现权利要求1所述的基于时序数据的桥梁索力预测方法的预测设备，其特征在于，包括：