1.一种多无人机动态预部署方法，其特征在于：包括以下步骤：S1：车辆通过通信发射装置，连接本区域内的各无人机，建立通信链路；

S2：车辆通过上行链路将自身的定位信息上传至各无人机；

S3：各无人机之间通过通信链路组建成一个分布式通信网络，并发布序列到序列的门控循环神经网络模型及训练轮次；

S4：各无人机利用本区域内收集到的多个车辆定位信息，通过边缘计算服务器训练本地的序列到序列的门控循环神经网络模型；

S5：各无人机根据参与训练的数据量进行选举，得到领导者以及普通群体；

S6：普通群体无人机将本地训练好的序列到序列的门控循环神经网络模型参数上传至无人机领导者；

S7：所述的无人机领导者将各普通群体无人机上传的模型参数在本地的边缘计算服务器上利用联邦平均方法将模型参数更新，并将序列到序列的门控循环神经网络模型参数、训练轮次进行更新并下发至各普通群体无人机；

S8：各无人机判断当前训练轮次是否达到目标轮次，若达到训练轮次则执行步骤S9，否则，执行步骤S4‑S7；

S9：各无人机设置间隔相等的时隙，无人机区域内的车辆在各时隙开始时将自身的定位信息通过通信链路上传至无人机；

S10：各无人机将步骤S9所述的车辆的定位信息输入到序列到序列的循环神经网络模型中，预测下一时隙内车辆的未来位置；

S11：各无人机利用虚拟力向导部署算法，计算合力为零的位置，并飞至合力为零的位置；

S12：车辆将本地接收的无人机信号质量强度大小进行排序，若最大的信号质量小于设定的信号质量阈值，则选择放弃接入到无人机基站上，否则选择接入到信号质量最大的无人机基站上。

2.根据权利要求1所述的多无人机动态预部署方法，其特征在于：步骤S7所述的联邦平均方法具体为：

其中N表示无人机的总数，wi(k)表示第i个无人机的模型参数，Di表示第i个无人机的数据量大小，D表示总的数据量大小，w(k)是联邦平均后的模型。

3.根据权利要求1所述的多无人机动态预部署方法，其特征在于：步骤S11所述的虚拟力向导算法包括以下步骤：

S111：各无人机利用S10的预测位置信息，构建整个无人机群体下的车辆的位置分布信息；

S112：各无人机根据其区域内的车辆预测位置，计算车辆位置分布的质心位置；

S113：质心位置对无人机产生虚拟的引力作用，牵引无人机到该位置上；

S114：各无人机更新其自身的能量信息；若能量小于或等于无人机能量阈值，无人机飞回到充电中心，接入到无人机的车辆与之断开连接，搜索附近的无人机基站的信号质量强度，选择接入到信号质量强度最大的无人机基站。

4.根据权利要求1所述的多无人机动态预部署方法，其特征在于：步骤S12中所述的信号质量为通信的信干噪比，定义如下：其中pm,k为无人机m对车辆k的发射功率，gm,k是无人机m与地面车辆k之间的功率增益，表示除去无人机m外的其他N‑1个无人机功率与功率增益乘积之和，Np是环境的高斯白噪声功率。