1.基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：包括以下步骤：获取用于训练的MR网络信号强度数据，计算每个时间窗口的极坐标点；

根据所有时间窗口的极坐标点确定模糊信息粒；

根据得到的模糊信息粒和每个时间窗口的极坐标点训练MR网络信号强度预测模型；所述MR网络信号强度预测模型的训练包括两部分：高阶模糊认知图模型的训练和注意力网络的训练；

获取待预测的MR网络信号强度数据，计算每个时间窗口的极坐标点，并输入训练好的MR网络信号强度预测模型得到下一时间窗口所有模糊信息粒的状态值，基于下一时间窗口所有模糊信息粒的状态值计算下一时间窗口的MR信号强度。

2.如权利要求1所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述计算每个时间窗口的极坐标点的具体步骤包括：将MR网络信号强度数据划分到若干个时间窗口；

对每个时间窗口内的MR网络信号强度数据进行拟合建立回归方程；

根据回归方程的斜率计算极坐标角度和极坐标半径，得到每个时间窗口的极坐标点。

3.如权利要求1所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述根据所有时间窗口的极坐标点确定模糊信息粒的步骤具体包括：根据所有时间窗口的极坐标点中极坐标角度和极坐标半径的取值，确定极坐标角度和极坐标半径的取值范围；

在该取值范围内将极坐标系划分为若干个扇形区域，每个扇形区域为一个模糊信息粒。

4.如权利要求1所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述高阶模糊认知图模型的训练包括：构建高阶模糊认知图，将模糊信息粒作为高阶模糊认知图的节点；

计算每个时间窗口的极坐标点对节点的隶属度，得到每个时间窗口下的节点状态值；

根据节点状态值训练得到高阶模糊认知图模型。

5.如权利要求4所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述隶属度的计算中，使用Fermi函数计算带宽。

6.如权利要求4所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述注意力网络的训练包括：

获取训练好的高阶模糊认知图模型中每个时间窗口下的节点之间连边的权重；

将所述节点状态值和权重输入注意力网络，训练得到最优注意力网络。

7.如权利要求1所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述高阶模糊认知图模型的训练采用Elastic Net算法。

8.基于注意力机制模糊认知图的MR网络信号强度预测系统，其特征是：包括：极坐标点计算模块，其被配置为：获取用于训练的MR网络信号强度数据，计算每个时间窗口的极坐标点；

模糊信息粒确定模块，其被配置为：根据所有时间窗口的极坐标点确定模糊信息粒；

模型训练模块，其被配置为：根据得到的模糊信息粒和每个时间窗口的极坐标点训练MR网络信号强度预测模型；所述MR网络信号强度预测模型的训练包括两部分：高阶模糊认知图模型的训练和注意力网络的训练；

预测模块，其被配置为：获取待预测的MR网络信号强度数据，计算每个时间窗口的极坐标点，并输入训练好的MR网络信号强度预测模型得到下一时间窗口所有模糊信息粒的状态值，基于下一时间窗口所有模糊信息粒的状态值计算下一时间窗口的MR信号强度。

9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1‑7中任一项所述的基于高阶模糊认知图的MR网络信号强度预测方法。

10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1‑7中任一项所述的基于高阶模糊认知图的MR网络信号强度预测方法。