1.一种大规模物联设备的接入方法，其特征在于，所述方法包括：基于物联设备事件驱动的上传时间点的行为模式生成预测模型；

根据所述预测模型对待接入的物联设备的上传时间点进行预判断生成物联设备的预上传时间点；

根据所述物联设备的预上传时间点和物联设备的网络服务质量需求为所述物联设备分配上行链路的无线资源，其中，所述无线资源至少包括无线承载调度、无线带宽管理和无线功率控制的其中一种或多种。

2.根据权利要求1所述的大规模物联设备的接入方法，其特征在于，所述基于物联设备事件驱动的上传时间点的行为模式生成预测模型，包括：将所述物联设备的时间线配置为相同长度的时间序列；

记录所述物联设备在所述时间序列的物联设备事件驱动的上传时间点，并生成具有时间序列长度和时间序列数量的二维矩阵；

将物联设备事件驱动的超出所述时间序列的时间点作为用于判断物联设备是否发生数据上传的数据集标签；

将所述二维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。

3.根据权利要求1所述的大规模物联设备的接入方法，其特征在于，所述基于物联设备事件驱动的上传时间点的行为模式生成预测模型，包括：将所述物联设备的时间线配置为相同长度的时间序列；

记录所述物联设备在所述时间序列的物联设备事件驱动的上传时间点，并生成具有时间序列长度和时间序列数量的二维矩阵；

将物联设备事件驱动的超出所述时间序列的时间点作为用于判断物联设备是否发生数据上传的数据集标签；

获取多个二维矩阵生成具有时间序列长度、时间序列数量和物联设备数量的三维矩阵；

将所述三维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。

4.根据权利要求2或3所述的大规模物联设备的接入方法，其特征在于，所述方法还包括:

通过贝叶斯优化器修改所述时间序列的长度值。

5.根据权利要求4所述的大规模物联设备的接入方法，其特征在于，所述方法还包括：通过布尔目标函数评估所述预测模型的精度值。

6.一种大规模物联设备的接入系统，其特征在于，所述系统包括：预测模型，用于基于物联设备事件驱动的上传时间点的行为模式生成预测模型；

预测模块，用于根据所述预测模型对待接入的物联设备的上传时间点进行预判断生成物联设备的预上传时间点；

资源分配模块，用于根据所述物联设备的预上传时间点和物联设备的网络服务质量需求为所述物联设备分配上行链路的无线资源，其中，所述无线资源至少包括无线承载调度、无线带宽管理和无线功率控制的其中一种或多种。

7.根据权利要求6所述的大规模物联设备的接入系统，其特征在于，所述预测模型，包括：

配置单元，用于将所述物联设备的时间线配置为相同长度的时间序列；

第一参数单元，用于记录所述物联设备在所述时间序列的物联设备事件驱动的上传时间点，并生成具有时间序列长度和时间序列数量的二维矩阵；

第二参数单元，将物联设备事件驱动的超出所述时间序列的时间点作为用于判断物联设备是否发生数据上传的数据集标签；

训练单元，用于将所述二维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。

8.根据权利要求6所述的大规模物联设备的接入系统，其特征在于，所述预测模型，包括：

配置单元，用于将所述物联设备的时间线配置为相同长度的时间序列；

第一参数单元，用于记录所述物联设备在所述时间序列的物联设备事件驱动的上传时间点，并生成具有时间序列长度和时间序列数量的二维矩阵；

第二参数单元，将物联设备事件驱动的超出所述时间序列的时间点作为用于判断物联设备是否发生数据上传的数据集标签；

第三参数单元，用于获取多个二维矩阵生成具有时间序列长度、时间序列数量和物联设备数量的三维矩阵；

训练单元，用于将所述三维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。

9.根据权利要求7或8所述的大规模物联设备的接入系统，其特征在于，所述系统还包括:

优化模块，用于通过贝叶斯优化器修改所述时间序列的长度值。

10.根据权利要求9所述的大规模物联设备的接入系统，其特征在于，所述系统还包括：评估模块，用于通过布尔目标函数评估所述预测模型的精度值。