1.一种移动环境下基于时空一致性的联邦学习推荐方法，其特征在于，包括如下步骤：S1：轨迹补全，所述轨迹补全是利用轨迹的时空分布来补全用户的轨迹；

S2：构建和训练SCFL框架，所述SCFL框架包括客户端、边缘端和服务器，SCFL框架使用的推荐模型是顺序推荐模型；

S21：采用S1中的方法对客户轨迹进行轨迹补全获得增强后的客户轨迹数据；

S22：采用增强后的客户轨迹数据对客户端的推荐模型进行训练得到局部模型参数同时得到客户端的时空一致性值S23：将所有 加密上传至服务器，服务器根据接收的所有 对客户端做聚类，并且服务器将聚类结果广播给所有客户端和边缘端，聚类后的一个簇对应一个边缘端；

S24：所有客户端将其局部模型参数 和 上传给所属的边缘端；

S25：每个边缘端对其接收的 和 进行加权聚合分别得到该边缘端的边缘模型参数 和边缘端的边缘时空一致性值S26：获取公共数据集，采用S1的方法对公共数据集中的轨迹进行轨迹补全得到加强公共数据集，利用所述加强公共数据集训练边缘端的推荐模型得到新的边缘模型参数S27：将 和 上传给服务器，服务器对接收的 进行全局模型聚合得到服务器的全局模型参数θG，并且服务器将θG广播给所有边缘端和所有客户端后，返回S21开始下一次迭代；

当迭代达到最大迭代次数时，停止训练，此时得到最优SCFL框架；

S3:对于一个客户端上的用户，获取该用户的轨迹，并采用S1中的方法进行轨迹补全，然后将该用户经过轨迹补全后的轨迹输入对应的客户端顺序推荐模型中，输出即是预测的该用户的下一个兴趣点。

2.如权利要求1所述的一种移动环境下基于时空一致性的联邦学习推荐方法，其特征在于：所述S1中轨迹补全的具体步骤如下：通过公式(2)和(3)计算轨迹的时间一致性：

其中， 表示第ci个客户的第h条轨迹的时间一致性值， 表示第ci个客户的时间一致性值，H表示ci‑th客户中轨迹的数量，tj表示第j个轨迹点的时间标签，表示所有轨迹点时间标签的平均值，nh表示第h条轨迹中轨迹点的数量；

将第ci个客户的时间一致性值 进行降序排列，选取排在后1/4‑1/2位的时间一致性值 所对应的轨迹点作为待补全轨迹点，从所述待补全轨迹点的前Q个轨迹点中随机选一个替换该轨迹点；

通过公式(4)和(5)计算轨迹的空间分布：

其中， 表示第ci个客户的第h条轨迹的空间一致性值， 表示第ci个客户的空间一致性值，(xj,yj)和(xj+1,yj+1)分别表示相邻点的坐标；

将第ci个客户的空间一致性值 进行降序排列，选取排在后1/4‑1/2位的空间一致性值 所对应的轨迹点作为待补全轨迹点，从所述待补全轨迹点的前Q个轨迹点中随机选一个替换该轨迹点。

3.如权利要求2所述的一种移动环境下基于时空一致性的联邦学习推荐方法，其特征在于：所述S22得到局部模型参数 和 的具体步骤如下：

初始化第ci个客户所在客户端中的推荐模型，然后将增强后的客户轨迹数据集中的客户轨迹输入第ci个客户所在客户端中的推荐模型：其中， 是第ci个客户所在客户端上的局部模型参数，xi和yi分别是样本i的输入和标签，L是损失函数， 是在 下的模型输出函数， 表示 的梯度，η是学习率，λ是正则化因子；

计算样本熵以衡量其数据的时空一致性，获得

其中，Ui表示第i个子序列，r表示阈值参数，Γ(x)是一个阶跃函数，当x≥0时取值为1，否则取值为0，||Ui‑Ui+1||是Ui和Ui+1之间的欧几里得距离，Ch为中间变量无实际含义；

其中， 是第ci个客户所在客户端上的时空一致性。

4.如权利要求3所述的一种移动环境下基于时空一致性的联邦学习推荐方法，其特征在于：所述S23中服务器根据接收的所有 对客户端做聚类的具体步骤如下：其中，k维数据指的是客户端数据的第k个特征， 是 和 之间的差值，σk是第k维数据的方差， 表示第ci个客户所在客户端ci和第cj个客户所在客户端在第k维数据上的相似度，STS(ci,cj)是第ci个客户所在客户端ci和第cj个客户所在2

客户端时空相似度，ξk是第k维数据的参数，||cj‑μi||表示第cj个客户所在客户端与聚类中心μi(ci)之间欧几里得距离的平方。

5.如权利要求4所述的一种移动环境下基于时空一致性的联邦学习推荐方法，其特征在于：所述S25计算边缘模型参数 和边缘时空一致性值 的具体步骤如下：其中，b表示包含在边缘端中的客户端的数量，wj是第j个客户端的权重。

6.如权利要求5所述的一种移动环境下基于时空一致性的联邦学习推荐方法，其特征在于：所述S27中获取全局模型参数θG的具体步骤为：当所有 和STCei上传到服务器时，服务器将根据公式(10)执行加权全局聚合，以获取全局模型参数θG。