1.移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法，其特征在于，具体包括以下步骤：构建基于深度神经网络的移动终端行动轨迹的预测系统，通过该预测系统预测下一时刻用户的位置；

构建热点服务预测系统，通过该系统预测热点数据，具体包括：

利用门限函数读取当前输入xt和前一时刻隐藏层单元ht‑1，与前一时刻的细胞状态Ct‑1相乘来决定前一时刻细胞状态保留程度，包括：并与利用tanh函数创造的新候选向量相乘得到新候选向量保留度，包括：当前时刻的细胞状态由前一时刻细胞状态，隐藏层单元和当前输入共同决定，包括：计算新的隐藏层单元，包括：

ht＝σ(W4·[ht‑1，xt]+b4)·tanh(Ct)；

在某一时间间隔t中，将n个隐藏层的输出记做Hi：Hi＝{h1,h2,...hn}这些隐藏层输出hi经过softmax层后，得到注意力权重，表示为：ai＝softmax(hi)*[σ(W4·[ht‑1，xt]+b4)·tanh(Ct)]；

将注意力权重记为Ai：Ai＝(a1，a2，..an)则Attention‑LSTM的流行趋势OA为：OA＝ai{[σ(W4·[ht‑1，xt]+b4)·tanh(Ct)]}；

其中，σ()为激活函数；W1为遗忘门参数矩阵、W2为输入门参数、W3为细胞状态参数矩阵、W4为注意力参数矩阵、b1为遗忘门偏置量、b2为输入门偏置量、b3为细胞状态偏置量、b4为注意力偏置量；xt为t时刻的信息输入；Ct表示当前时刻t的前一时刻细胞状态保留程度； 表示利用tanh函数创造的新候选向量相乘得到新候选向量保留度；Ct表示当前时刻的细胞状态；ht表示当前时刻的隐藏层单元；ai表示注意力权重；OA为Attention‑LSTM的流行趋势；

在构建时间序列时会用请求数据类型构建时间序列，特征值提取特征向量为An＝{an1,an2,...ank},其中n为时间段，k∈{1,2..K}，k为预先设置好的类型种类，在预测各网络中的服务被命中的概率时，需要先计算出各网络服务的访问量，归一化后得到访问服务的概率统计，其中根据预测的热点数据、预测的用户位置，利用改进的模拟退火算法进行迭代更新得到最优缓存策略，具体包括：文件缓存在MEC服务上，系统产生的时延主要由两部分传播时延组成，分别是用户到MEC之间的传播时延以及用户请求在MEC未缓存情况下需要与远端服务器交互的传播时延，假设缓存区域中的MEC服务器性能相同，区域内总文件为L，文件j的大小是lenj，服务器个数为M，每个MEC的缓存空间为Sl，网络中总用户个数为N，假设用户之间以及MEC服务器和用户之间的通信带宽为B，MEC服务器与用户之间的传输功率为Pc，传输路径损耗指数为α,高2

斯白噪声方差为σ，u∈U表示整体网络中所有用户的集合，MEC服务器与用户之间的无线传输速率为：定义一个二进制变量来表示用户请求的文件j是否被第i个MEC服务器缓存Xj,i∈{0,1},Xj,i＝0表示文件j没有保存在第i个MEC服务器中，Xj,i＝1表示文件保存在第i个MEC服务器中，另外MEC的缓存空间是有限的，缓存的文件数量不能超过缓存空间Sl，即：当用户文件缓存至MEC服务器中时，假设服务器到用户的距离为Ym，用户的请求时延为：如果没有缓存至MEC服务器，那么传输至远端服务器请求时延为Wserveru＝tserver,综合两者情况，文件j在缓存系统的总传播时延为：此时缓存内容放置问题转化为了对区域缓存总时延最小的优化问题，即：

根据退火算法求解以缓存总时延最小的优化问题，包括以下步骤：

根据第i个小基站SBi的热点预测情况，对该节点进行初始化，即将热点预测情况排名靠前的n份数据缓存到SBi节点，视为初始化缓存Ci；根据单个节点中处理的各个数据的占比情况和整个网络中各类数据的占比情况计算单个节点与整体网络的缓存相似度；节点的缓存相似度表示为：其中，Si为节点的缓存相似度；Ki为节点i所占整体请求的比例；n为请求的所有种类；Xk为边缘网络整体中数据类型为k的数据量；Yk为在单个节点中类别为k的数据的数据量；

选择缓存相似度最小的节点及其相邻节点进行缓存策略更新，并计算更新前后的时延差；

根据延时差计算单个节点接受当前缓存策略的概率，具体包括：

其中，P表示节点接受当前缓存策略的概率；ΔT为使用策略空间中策略进行更新后与更新之前的延时差；T为更新之前的使用策略空间中策略进行更新之前的延时；

在经过K次迭代之后判断是否达到收敛状态，如果没达到则根据退火算法中的衰减函数进行降温，更新计算单个节点接受当前缓存策略的概率时的参数；

重复以上流程，直到达到收敛状态，返回最优解。

2.根据权利要求1所述的移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法，其特征在于，预测下一时刻用户的位置时，根据用户的移动轨迹使用LSTM网络预测用户下一时刻的移动位置，并获取覆盖该位置信号的基站的位置，将基站的位置作为下一时刻用户的位置。