1.基于边缘计算的数据分析方法，其特征在于：其包括以下步骤：根据当前待处理数据集选取AI算法及机器学习模型；

分析待处理数据集中样本与支撑样本的共性进而对机器学习模型参数进行优化，和/或，分析待处理数据集中样本的标注价值，确定高标注价值样本，基于高标注价值样本对机器学习模型进行训练；

将完成训练的机器学习模型迁移至边缘计算设备，对待处理数据集进行数据分析处理，并输出数据分析处理结果。

2.根据权利要求1所述基于边缘计算的数据分析方法，其特征在于：所述将完成训练的机器学习模型迁移至边缘计算设备具体包括：根据边缘计算设备的WebView控件以及Tensorflow.js库构建机器学习模型的搭建、训练和运行的应用环境；

基于所述应用环境运行基于Tensorflow.js的机器学习模型，进而将完成训练的机器学习模型迁移至边缘计算设备。

3.根据权利要求1所述基于边缘计算的数据分析方法，其特征在于：所述分析待处理数据集中样本与支撑样本的共性具体包括：利用支撑数据集训练原型网络，进而提取支撑集中数据类别原型；

将支撑数据集中数据类型，分别构建生成待修正机器学习模型，并迁移到边缘设备上；

将目标数据集输入原型网络进行分类；

对于同一类别或相似类别的目标数据集调节待修正机器学习模型参数。

4.根据权利要求1所述基于边缘计算的数据分析方法，其特征在于：所述确定高标注价值样本具体包括：

根据样本预测结果的不确定度衡量标注价值，预测结果不确定度为0.4‑0.6的样本认定为为高标注价值的样本；和/或，将满足缩减版本空间阈值的样本作为高标注价值样本；和/或，将满足减小泛化误差阈值的样本作为高标注价值样本。

5.根据权利要求1所述基于边缘计算的数据分析方法，其特征在于：所述方法还包括数据清洗步骤，具体包括：

根据数据类型的不同对待处理数据集中样本进行重命名、类型分类和重组处理；和/或，

基于偏差阈值剔除待处理数据集中的异常样本，和/或，基于统计量剔除待处理数据集中的异常样本，和/或，基于物理逻辑关系剔除待处理数据集中的异常样本。

6.基于边缘计算的数据分析系统，其特征在于：其包括：匹配单元，根据当前待处理数据集选取AI算法及机器学习模型；

优化训练单元，用于分析待处理数据集中样本与支撑样本的共性进而对机器学习模型参数进行优化，和/或，分析待处理数据集中样本的标注价值，确定高标注价值样本，基于高标注价值样本对机器学习模型进行训练；

模型迁移单元，将完成训练的机器学习模型迁移至边缘计算设备；

数据处理单元，基于完成训练的机器学习模型对待处理数据集进行数据分析处理，并输出数据分析处理结果。

7.根据权利要求6所述基于边缘计算的数据分析系统，其特征在于：所述系统还包括数据清洗单元，用于根据数据类型的不同对待处理数据集中样本进行重命名、类型分类和重组处理；和/或，

基于偏差阈值剔除待处理数据集中的异常样本，和/或，基于统计量剔除待处理数据集中的异常样本，和/或，基于物理逻辑关系剔除待处理数据集中的异常样本。

8.根据权利要求6所述基于边缘计算的数据分析系统，其特征在于：所述系统还包括数据读取单元，用于获取离线数据、在线数据和本地数据，进而得到待处理数据集。

9.基于边缘计算的数据分析平台，其特征在于：其包括双向通信连接的服务器和边缘计算设备，以将完成训练的机器学习模型迁移至边缘计算设备；

所述边缘计算设备基于完成训练的机器学习模型对待处理数据集进行数据分析处理，并输出数据分析处理结果；

所述服务器上存储有机器学习模型和AI算法，根据当前待处理数据集选取AI算法及机器学习模型，并分析待处理数据集中样本与支撑样本的共性进而对机器学习模型参数进行优化，和/或，分析待处理数据集中样本的标注价值，确定高标注价值样本，基于高标注价值样本对机器学习模型进行训练。

10.根据权利要求1所述基于边缘计算的数据分析平台，其特征在于：所述边缘计算设备包括处理器和第一显示器，处理器输出端与第一显示器连接；所述服务器上连接有第二显示器，处理器和服务器双向通信连接。