1.边缘网络中一种虚拟网络功能需求预测方法，其特征在于，包括以下步骤：S1、获取数据，并进行数据预处理，得到预处理后的数据；

获取的数据包括不同区域内的电信活动数据集，主要包含短信服务数据、通话数据以及互联网数据，具体是指短信服务数据、通话服务数据以及互联网服务数据；

S2、将预处理后的数据输入到训练好的组合预测模型中，得到预测结果，预测结果为预测的网络服务请求数量；

所述组合预测模型为SVR模型和GRU模型的组合模型，组合预测模型的表达式如下：FS‑G＝αi*FS+αj*FG

其中，FS表示支持向量回归模型的预测结果，FG表示门控循环神经网络的预测结果，FS‑G表示SVR‑GRU模型预测结果，αi，αj分别为SVR模型和GRU模型的权重，且满足：S3、根据预测结果分析边缘节点资源足够和边缘资源不足时的VNF需求，确认VNF的数量。

2.根据权利要求1所述的边缘网络中一种虚拟网络功能需求预测方法，其特征在于，组合预测模型的训练过程包括：

S21、将预处理后的数据分为两部分，一部分作为支持向量回归SVR的训练和测试数据；

另一部分作为门控循环神经网络GRU的训练和测试数据，将两部分数据输入到组合预测模型；

S22、设置SVR的内核函数类型为rbf，迭代1000次，步长设置为6，即每次利用前6个数据进行下一个数据的预测，训练和测试的数据比例为3:1，训练完成之后，保存训练完成的SVR模型；

S23、设置GRU的网络为4层，步长为6，训练数据和测试数据比例也为3:1，迭代次数为

1000次，训练完成后，同样保存训练完成的GRU模型；

S24、从预处理后的数据中，随机选取12组数据，每组144个数据，作为SVR模型和GRU模型权重确定的数据，将每一组数据分别输入保存的训练完成的SVR模型和GRU模型中进行预测，得到预测结果，并计算每种模型预测的误差平方，再通过方差倒数法确定SVR模型和GRU模型的权重，最后取12组权重的均值作为组合预测模型的权重，从而得到训练好的组合预测模型。

3.根据权利要求2所述的边缘网络中一种虚拟网络功能需求预测方法，其特征在于，通过方差倒数法确定SVR模型和GRU模型的权重，确定方式如下：其中，αSVR表示SVR模型的权重，αGRU表示GRU模型的权重，N表示测试数据组的数量，αi表示由单组测试数据计算的SVR模型权重，αj表示由单组测试数据计算的GRU模型权重。

4.根据权利要求1所述的边缘网络中一种虚拟网络功能需求预测方法，其特征在于，步骤S3中，在边缘节点资源足够时确认VNF的数量，VNF的数量包括：其中，vi表示类型为i的VNF需求量，Ri表示类型为i的VNF在某段时间内要处理的请求数量，hi表示类型为i的VNF单位时间内处理请求的数量，m表示通过SVR‑GRU模型预测出的m种网络服务，sk表示通过SVR‑GRU模型预测出的第k种网络服务需要处理的请求量，Vi表示类型为i的VNF，n表示m种网络业务服务所包含的VNF类型集合的数量。

5.根据权利要求1所述的边缘网络中一种虚拟网络功能需求预测方法，其特征在于，步骤S3中，在边缘资源不足时确认VNF的数量，VNF的数量包括：其中， 表示当前边缘节点需要部署的不同VNF的数量， 表示类型为i的VNF在某段时间内要处理的请求数量， 表示类型为i的VNF单位时间内处理请求的数量， 表示通过SVR‑GRU模型预测出的第k种网络服务需要处理的请求量， 表示第k种网络服务的VNF类型集合，m表示通过SVR‑GRU模型预测出的m种网络服务，n表示m种网络业务服务所包含的VNF类型集合的数量。