1.一种边缘智能数据分类存储方法，其特征在于：包括以下步骤：S1：数据采集：各种类型的传感器感知智慧实体状态数据，并将采集的智慧实体数据周期性地上传至覆盖其感知范围的网关，进而传输至边缘服务器；

S2：数据抽象：边缘服务器将其覆盖范围内的物理智慧实体集合Φ根据其状态表现形式分为两大类：定量状态智慧实体集合Φqt和定性状态智慧实体集合Φql，其中qt代表定量状态实体，ql代表定性状态实体，将给定的较长时间T以时间间隔δ为单位进行等分，划分为t＝T/δ个时间窗，并记录搜索系统在每个时间窗内的状态变化情况；并将定量状态智慧实体集合的原始状态序列Sqt和定性状态智慧实体集合的原始状态序列Sql转化为经数据抽象后的定量状态序列 及定性状态序列S3：特征提取：边缘服务器基于深度稀疏自动编码器模型，深入挖掘智慧实体状态的时变性特征；

S4：智慧实体分类：边缘服务器根据智慧实体状态的时变性特征，通过支持向量机模型实现对底层上传的智慧实体状态数据分类，将智慧实体状态数据分为两类，分别是瞬变型智慧实体数据和缓变型智慧实体数据；

S5：智慧实体缓存：将瞬变型智慧实体数据存储在临近的边缘服务器，而缓变型智慧实体数据上传至云端服务器；

S6：用户搜索：当用户发出搜索请求后，边缘服务器快速搜索是否有搜索请求匹配的智慧实体状态数据，若有该数据，则直接返回搜索结果，若无，则判断用户搜索的实体为缓变型智慧实体，边缘服务器则将搜索请求上传至云端，云端进行搜索匹配后将结果返回边缘服务器，边缘服务器再将结果返回给用户，完成整个搜索过程；

步骤S3中具体包括以下步骤：

S31：使用逐层贪婪的训练方法，依次训练深度稀疏自动编码器的每一层，进而训练整个深度神经网络；每个稀疏自动编码器由编码器、隐含层和解码器组成，其中第一层到第二层为编码过程，第二层为用于提取特征的隐含层，第二层到第三层为解码过程；随着隐含层层数的增多，提取的特征由模糊、简单的边缘特征向复杂、清晰的深层特征转变；

(1) (2) (T)

S32：假设深度稀疏自动编码器层数为T和每层的节点数{d ,d ,...,d }，其中第一层输入节点数为n，将智慧实体状态变化序列 对应的特征向量X＝{x1,x2,...,xn}作为自动编码器的输入，其中xi是第i个智慧实体对应的向量，实现编d×1码过程，得到编码hi∈R ，即第i个传感器节点对应的低维向量hi＝sf(Wxi+p)，其中xi表示第i个传感器对应的智慧实体状态变化序列，x(tn)是tn时刻的智慧实体状态，sf是编码器的d×n d×1一个激活函数，W∈R 是权重矩阵，p∈R 是编码层偏置向量；

S33：隐含层 为智慧实体状态变化序列特征的提取器，将

n×1

hi输入到解码层，得到解码结果x'i∈R ， 其中， 为隐含层第一层的第m个神经元， 为隐含层第T层的第j个神经元，n表示输入层最多输入的智慧实体状态数量，n×1sg是解码器的一个激活函数， 是权重矩阵，q∈R 是解码层偏置向量；

S34：通过训练，自动编码器自动调整参数向量 最小化xi和x'i的重构误d×1

差 其中，W、 为权重矩阵，p∈R 是编码层偏置

n×1

向量，q∈R 是解码层偏置向量；

S35：通过使用KL散度为自动编码器添加稀疏性限制： 其中，使用ρj来表示隐含层的平均活跃度， 和KL(ρ||ρj)分别表示ρj和ρ为均值的两个变量之间的相对熵，ρ是一个接近于0的常量，KL(ρ||ρj)的计算公式为：S36：通过使用KL散度为自动编码器添加稀疏性限制，构建自动编码器的重构误差其中，β是稀疏性惩罚权重因子，ρ是一个接近于0的常量；

S37：通过调整θ以最小化重构误差L(θ)；

S38：将状态变化序列 作为神经元的输入，采用BP算法依次训练每个稀疏自动编码器(SAE)，以优化模型的所有参数。

2.根据权利要求1所述的边缘智能数据分类存储方法，其特征在于：步骤S2中具体包括以下步骤：S21：假设任意给定定量状态智慧实体ψ∈Φqt，其原始状态序列为Sqt＝[qt1,qt2,…,qtt]，为衡量智慧实体的状态变化程度，将其测量值区间 以测量值划分区间为单位进行划分，其中 表示测量值的最小值， 为测量值的最大值，ε表示状态序列划分的等级数；智慧实体状态变化序列转化为S22：假设任意给定定性状态智慧实体 其原始状态序列为Sql＝[ql1,ql2,…,qlt]；为评估智慧实体 的时变强弱，将其转化为 即若当前时刻智慧实体 的定性状态较前一时刻发生了变化，则当前时刻的状态变化记录为1，否则为

0。

3.根据权利要求1所述的边缘智能数据分类存储方法，其特征在于：步骤S4中具体包括以下步骤：S41：搜索系统对每一类智慧实体都标记小部分瞬变型智慧实体与缓变型智慧实体作为样本数据对构建的分类模型进行训练；假定yi∈{‑1,+1}为标记智慧实体样本集；

S42：为实现训练样本线性可分，寻求最优分类超平面使得分类间隔最大，则该问题转化为下式：S43：采用拉格朗日乘子法对上式进行求解，得到：

其中，α＝(α1,α2,...,αk)为拉格朗日乘子，W为权值向量，b为偏置；分别对W与b求偏导，并令导数为0，求得拉格朗日乘子α，进而根据W与b与α的等式关系求得W与b的解；

S44：根据步骤S43的解，得到最优分类判别函数，并采用Gauss径向基核函数T其中σ＞0为高斯核的带宽，得到分类函数f(x)＝sgn(W·x+b)，其中x表示将xi映射后的特征向量，根据输入的智慧实体状态变化序列对智慧实体的类别进行划分，将瞬变型智慧实体数据存储在临近的边缘服务器，而缓变型智慧实体数据上传至云端服务器。

4.根据权利要求1所述的边缘智能数据分类存储方法，其特征在于：步骤S5具体包括以下步骤：S51：根据步骤S4的分类方法将智慧实体状态数据分类后，网关将其覆盖范围内的数据分类上传；

S52：由于瞬变型智慧实体数据时变性强，较短时间内，其状态极有可能会发生变化，缓变型智慧实体状态变化比较缓慢，并且，缓变型智慧实体状态数据存储云端心也会降低其他区域用户对本地缓变型实体状态数据获取的时延，而瞬变型智慧实体状态数据由于距本地用户较近，则本地用户搜索其状态数据时延较低，因此网关将瞬变型智慧实体数据存储在临近的边缘服务器，而缓变型智慧实体数据上传至云端服务器；

S53：由于物联网数据具有新鲜度和生命周期特性，因此边缘服务器和云端服务器周期性更新所存储的智慧实体状态数据，以保证数据的有效性。

5.根据权利要求1所述的边缘智能数据分类存储方法，其特征在于：步骤S6具体包括以下步骤：S61：如步骤S5所述，缓变型智慧实体状态数据存储在云端心服务器，瞬变型智慧实体状态数据则存储在边缘服务器，以满足用户搜索需求；

S62：与传统搜索模式不同，当用户提交给定状态搜索智慧实体的命令时，搜索系统将搜索请求发出至边缘服务器，边缘服务器收到请求消息后，快速搜索是否有与搜索请求匹配的智慧实体状态数据，以判别所搜索的智慧实体类型；

S63：若边缘服务器匹配到与搜索请求相关的智慧实体状态数据信息，则说明用户搜索的是瞬变型智慧实体，直接将搜索结果返回给用户，以降低搜索时延和提高搜索精度；

S64：若用户搜索的实体状态数据不在边缘服务器，则判断用户搜索的实体为缓变型智慧实体，边缘服务器则将搜索请求上传至云端，云端进行搜索匹配后将结果返回边缘服务器，边缘服务器再将结果返回给用户。