1.一种基于深度学习的系统访问量预测方法，其特征在于：所述方法包括以下步骤：步骤1：加载历史数据并进行处理；

记录受监控API每日被调用的次数，API每被调用一次，则访问量加一，按日存储每日的访问量，作为历史数据；读取访问量的历史数据作为训练模型的数据集，若任一天或多天存在缺失的数据，则以预设规则取关联日期的历史数据对缺失数据进行补全；

步骤2：基于历史数据，设置遗传算法的关联参数；遗传算法的关联参数包括遗传算法的迭代次数、种群的规模、种群中的交叉概率、变异概率、变分模态算法的参数α的变化范围和K的变化范围；

步骤3：采用遗传算法对变分模态分解算法进行优化，以优化后的变分模态分解算法将处理后的历史数据进行模态分解，得到当前历史数据的最优分解结果；所述步骤3包括以下步骤：步骤3.1：初始化种群；

步骤3.2：对种群进行选择操作；

步骤3.3：对种群进行交叉操作；

步骤3.4：对种群进行变异操作；

步骤3.5：更新个体的适应度，选出迭代过程中适应度最好的个体，以此个体的参数作为变分模态分解算法中的参数α和K，对历史数据进行分解，得到K个本征模态函数；

步骤4：将变分模态分解算法分解得到的多个本征模态分量进行归一化处理；

步骤5：将处理后的每个函数分别输入多尺度CNN神经网络，提取特征后，将特征作为参数分别输入到GRU网络中，训练模型直至稳定；

步骤6：采用所述优化后的变分模态分解算法，将要预测的时间前的历史数据进行变分模态分解后，将分解的结果输入步骤5中训练好的模型，将模型输出的结果相加的结果作为系统访问量预测值。

2.根据权利要求1所述的一种基于深度学习的系统访问量预测方法，其特征在于：所述步骤3.1和步骤3.2中，初始化种群时，随机生成染色体，任一染色体表示种群中的个体，所有随机生成的染色体对应整个种群；

每个染色体由个体适应度和变分模态分解算法的二次惩罚因子α、本征模态函数个数K值组成；重复生成个体并计算每个个体的适应度，直到个体数量满足种群的设定规模，其中个体的适应度函数为个体的样本熵；

对种群进行选择操作，采用轮盘赌法从种群中选择个体进入下一代，对每个个体的适应度值求倒数，每个个体进入下一代的概率为个体的适应度和整个种群适应度总和的比值；重复直至选出的个体数量和设置的种群规模相等。

3.根据权利要求1所述的一种基于深度学习的系统访问量预测方法，其特征在于：所述步骤3.3和步骤3.4中，随机选择两个个体进行交叉操作，是否进行交叉由交叉概率决定；确定需要进行交叉的两个个体后，随机选择个体的对应位置变量进行交叉操作，即将两个个体中相同位置的参数使用算术交叉法交叉，算术交叉将两个个体相同位置的参数进行线性组合产生新的个体；

对种群进行变异操作，个体是否变异由变异概率决定，随机对某个个体中的参数变异，变异时将该位置上的参数重新赋值一个在参数变化范围中的值。

4.根据权利要求1所述的一种基于深度学习的系统访问量预测方法，其特征在于：所述步骤4中，归一化完成后，将每个函数划分为两部分，一部分为模型的输入，另一部分为模型的输出。

5.根据权利要求1所述的一种基于深度学习的系统访问量预测方法，其特征在于：所述步骤5中，以若干不同尺寸的一维卷积核对输入数据进行若干尺度的卷积，尺寸不同的卷积核提取出不同的特征值，采用等宽卷积的方式，对特征进行两端补零，使得提取的特征维度相同；所述GRU网络由两层GRU单元、两层DroupOut层和一层全连接层组成。

6.一种计算机可读存储介质，其特征在于，其上存储有基于深度学习的系统访问量预测程序，该程序被处理器执行时实现如权利要求1 5之一所述的基于深度学习的系统访问~量预测方法。

7.一种计算机设备，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，基于如权利要求1 5之一所述的基于~深度学习的系统访问量预测方法。