1.基于多储层模糊认知图的5G基站簇KPI预测方法，其特征在于，包括如下步骤：获取5G基站簇中所有基站网络的KPI原始序列数据；

对KPI原始序列数据进行预处理，得到基站网络的KPI动态时间序列；

基于模糊认知图模型，将动态时间序列对应模糊认知图中的概念节点；

在带有模糊反馈的原始推理结构的基础上，加入模糊反馈，将模糊认知图中的概念节点的每个概念节点替换为回声状态网络得到多储层模糊认知图模型，应用多库学习得到每个基站的KPI的状态特征；所述多储层模糊认知图模型为：式中， 是隶属度函数，ESNj(·)是第j个回声状态网络模块的计算过程，wjk是与第k个回声状态网络模块相连的边上的权值， 为第j个回声状态网络模块在t时刻的输入，t为当前时刻；

所述多储层模糊认知图模型权重的学习问题表示为：

(t)

其中，D 是多储层模糊认知图的所有节点模块在t时刻的状态值， 是多储层模糊认知图的第k个节点在t+1时刻的状态值，Wk是权重矩阵W的第k列，ESN是回声状态网络；

基于KPI的状态特征，通过采用模糊因果关系动力学的迭代推理得到下一时刻的KPI；

所述通过采用模糊因果关系动力学的迭代推理得到下一时刻的KPI为通过多储层模糊认知图模型权重的学习问题可以转化为最小二乘进行求解；

所述回声状态网络模块的计算过程如下：

out

其中， 是第j个回声状态网络模块的输出权重矩阵， 是t时刻的输出值，f 是输出神经的激活函数；

其中，

式中， 分别是第j个回声状态网络模块的输入权重矩阵和储备池权重矩阵， 是储备池在t时刻的状态，f是储备池中神经元的激活函数， 是t+1时刻回声状态网络模型的输入。

2.如权利要求1所述的基于多储层模糊认知图的5G基站簇KPI预测方法，其特征在于，所述KPI动态时间序列获得的过程包括：利用最大最小归一化方法对获取的每一个基站的KPI指标归一化。

3.如权利要求1所述的基于多储层模糊认知图的5G基站簇KPI预测方法，其特征在于，所述回声状态网络包括输入层、储备池和输出层；所述回声状态网络训练的过程包括：将输入信号从低维输入空间映射到高维状态空间，在高维状态空间采用线性回归方法对网络的输出权重进行训练，输入权重、储备池权重以及反馈连接权重在网络训练过程中保持不变。

4.基于多储层模糊认知图的5G基站簇KPI预测系统，采用如权利要求1所述的基于多储层模糊认知图的5G基站簇KPI预测方法，其特征在于，包括：数据获取模块，被配置为：获取5G基站簇中获取所有基站网络的KPI原始序列数据；

数据预处理模块，被配置为：对KPI原始序列数据进行预处理，得到基站网络的KPI动态时间序列；

状态特征提取模块，被配置为：基于模糊认知图模型，将动态时间序列对应为模糊认知图中的概念节点；

在带有模糊反馈的原始推理结构的基础上，加入模糊反馈，将模糊认知图中的概念节点的每个概念节点替换为回声状态网络得到多储层模糊认知图模型，应用多库学习得到每个基站的KPI的状态特征；

基站的KPI预测模块，被配置为：基于KPI的状态特征，通过采用模糊因果关系动力学的迭代推理得到下一时刻的基站的KPI。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑3中任一项所述的基于基于多储层模糊认知图的5G基站簇KPI预测方法中的步骤。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑3中任一项所述的基于多储层模糊认知图的5G基站簇KPI预测方法中的步骤。