1.一种无线基站数据流量预测方法，其特征在于，包括：将待预测的基站对应的基站内流量特征及基站间流量特征输入预先基于稀疏模糊认知图建立的无线基站数据流量预测模型，获取输出的待预测的基站流量预测值；

其中，所述基站内流量特征为待预测的基站及与待预测的基站相邻基站的基站内流量，所述基站间流量特征为待预测的基站与待预测的基站相邻基站之间的基站间流量；

模糊认知图的动力学公式如下所示：

其中，f表示变换函数，作用是将节点的状态值映射到一定范围的区间中，sigmoid作为模糊认知图的转换函数，它的形式是：其中，θ是一个用于表示函数在原点处的陡度的参数，它的值越大函数在原点处越陡峭；

基于模糊认知图构建无线基站数据流量预测模型的过程包括：(1)根据模糊概念认知图产生响应序列对应的响应矩阵，并对模糊概念图中的每个节点进行学习；

(2)将模糊认知图的学习任务转换为一个信号重构任务，构造目标函数；

(3)将Elastic‑Net和全变分正则项作为惩罚项加入到目标函数中，得到Elastic‑Net和全变分之后的目标函数；

(4)采用基于结构稀疏性的迭代平滑算法的凸优化方法对步骤(3)中的Elastic‑Net和全变分之后的目标函数进行优化，得到无线基站数据流量预测模型；所述步骤(4)包括：先对全变分正则项进行平滑处理，之后通过加速近似梯度下降算法对平滑处理后的目标函数进行求解；

基于回溯的方法计算Lipschitz常数：

在第k轮迭代计算过程中，对于δ＞1，先找到最小的非负整数ik，得到 使得：其中，proxη,h(.)(w)表示关于变量w和函数h(.)的近端算子，特别地，当h(wi)＝λ||wi||1时， 就是所谓的软阈值函数，即proxλη,h(.)(w)＝sgn(w)(|w|‑λη)+表示向量wi的逐个分量的软阈值函数，η表示迭代步长， 表示下一次迭代的起始点；

之后，将得到的 作为Lipschitz常数而用于计算。

2.根据权利要求1所述的无线基站数据流量预测方法，其特征在于，获取训练样本并基于模糊认知图构建无线基站数据流量预测模型，所述训练样本包括输入特征及对应的结果；所述输入特征为待预测的基站对应的t时段的前s个时段的基站内流量特征和基站间流量特征，所述结果为s时段的流量值；其中，k和s为大于1的自然数；

将所述待预测的基站对应的s时段的前k个时段的基站内流量特征输入到无线基站数据流量预测模型的节点上，将所述待预测的基站对应的s时段的前k个时段的基站间流量特征输入到所述无线基站数据流量预测模型的节点连边上进行训练，获取训练完成的无线基站数据流量预测模型。

3.根据权利要求1所述的无线基站数据流量预测方法，其特征在于，所述步骤(1)包括：假设模糊认知图具有n个概念节点，一个响应序列的长度为t，构建响应序列对应的响应矩阵；在响应矩阵中，相邻两行组成一个输入‑输出对，即一个训练样本；

所述响应矩阵的矩阵形式是：

其中，响应矩阵的第一行表示网络节点的第一个时刻的值，即初始化状态；最后一行则表示网络节点t时刻的状态值；如果一个响应序列的时间长度为t，那么得到t‑1个训练样本。

4.根据权利要求3所述的无线基站数据流量预测方法，其特征在于，以第i个节点的学习过程为例，由模糊认知图的动力学公式可知，这个过程可以表示为：若 是sigmoid函数，由于它是一个单调递增的非线性连续函数，则它对应的逆函数可以唯一的确定，则上面的式子可以表示为：上式可简化为：

Yi＝Φwi    (4)

这是一个典型的稀疏信号重构的问题，其中，Yi是一个t‑1乘1的矩阵，Φ是一个t‑1乘n的矩阵；则模糊认知图的学习目标是在已知观测矩阵Φ和Yi的情况下，对wi进行估计。

5.根据权利要求4所述的无线基站数据流量预测方法，其特征在于，对wi的求解采用最小二乘法来最小化误差 构建目标函数，所述目标函数可表示为：

6.根据权利要求5所述的无线基站数据流量预测方法，其特征在于，所述步骤(3)包括：将Elastic‑Net惩罚项加入到所述目标函数中，引入Elastic‑Net惩罚项之后的形式如下：其中， β是L2正则项系数， λ是L1正则项系数；

将全变分正则加入到公式(6)中，得到引入全变分之后的目标函数：其中， γ是全变分正则系数。

7.根据权利要求1所述的无线基站数据流量预测方法，其特征在于，所述Elastic‑Net捕获网络的稀疏结构并防止模型出现过拟合，所述全变分正则项用于消除噪音的影响。

8.一种无线基站数据流量预测设备，其特征在于，包括：至少一个处理器；

以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1‑7任一项所述的无线基站数据流量预测方法。