1.面向6G异构聚合网络的链路级流量预测方法，其特征在于，包括：对5G用户流量数据进行时间特性和空间特性的可视化分析，得到5G时空性流量数据集；

采用所述5G时空性流量数据集训练初始5G流量生成模型，得到优化5G流量生成模型；

通过预设6G用户特性参数对所述优化5G流量生成模型进行差异化调整，得到预设6G流量生成模型；

基于预设测试环境，采用所述预设6G流量生成模型通过链路分配的方式生成6G链路级用户流量数据集；

采用所述6G链路级用户流量数据集对初始流量预测模型进行流量预测训练，得到6G用户流量预测模型，所述初始流量预测模型包括LSTM时间预测模块和GAT空间预测模块；

将目标用户的历史链路级用户流量数据输入所述6G用户流量预测模型进行未来流量预测，得到目标流量预测结果。

2.根据权利要求1所述的面向6G异构聚合网络的链路级流量预测方法，其特征在于，所述基于预设测试环境，采用预设6G流量生成模型通过链路分配的方式生成6G链路级用户流量数据集，包括：采用预设6G流量生成模型生成多个用户的链路请求信息，所述链路请求信息包括请求开始时间、请求速率、请求持续时间和请求链路；

基于预设测试环境采用智能调度算法根据所述链路请求信息进行链路分配操作，生成链路级用户流量信息；

按照预设时间周期在所述链路级用户流量信息中采集用户流量数据，生成6G链路级用户流量数据集。

3.根据权利要求1所述的面向6G异构聚合网络的链路级流量预测方法，其特征在于，所述采用所述6G链路级用户流量数据集对初始流量预测模型进行流量预测训练，得到6G用户流量预测模型，之前还包括：依据LSTM网络框架构建时间预测网络，得到LSTM时间预测模块；

基于GAT框架和注意力机制构建空间预测网络，得到GAT空间预测模块；

结合所述LSTM时间预测模块和所述GAT空间预测模块生成初始流量预测模型。

4.根据权利要求1所述的面向6G异构聚合网络的链路级流量预测方法，其特征在于，所述采用所述6G链路级用户流量数据集对初始流量预测模型进行流量预测训练，得到6G用户流量预测模型，之前还包括：将所述6G链路级用户流量数据集中的6G链路级用户流量数据转换为图结构数据，得到

6G图结构数据集；

所述采用所述6G链路级用户流量数据集对初始流量预测模型进行流量预测训练，得到

6G用户流量预测模型，包括：

采用所述6G图结构数据集对初始流量预测模型进行流量预测训练，得到6G用户流量预测模型。

5.面向6G异构聚合网络的链路级流量预测装置，其特征在于，包括：

5G分析单元，用于对5G用户流量数据进行时间特性和空间特性的可视化分析，得到5G时空性流量数据集；

5G训练单元，用于采用所述5G时空性流量数据集训练初始5G流量生成模型，得到优化

5G流量生成模型；

差异调整单元，用于通过预设6G用户特性参数对所述优化5G流量生成模型进行差异化调整，得到预设6G流量生成模型；

数据生成单元，用于基于预设测试环境，采用所述预设6G流量生成模型通过链路分配的方式生成6G链路级用户流量数据集；

模型训练单元，用于采用所述6G链路级用户流量数据集对初始流量预测模型进行流量预测训练，得到6G用户流量预测模型，所述初始流量预测模型包括LSTM时间预测模块和GAT空间预测模块；

流量预测单元，用于将目标用户的历史链路级用户流量数据输入所述6G用户流量预测模型进行未来流量预测，得到目标流量预测结果。

6.根据权利要求5所述的面向6G异构聚合网络的链路级流量预测装置，其特征在于，所述数据生成单元，具体用于：采用预设6G流量生成模型生成多个用户的链路请求信息，所述链路请求信息包括请求开始时间、请求速率、请求持续时间和请求链路；

基于预设测试环境采用智能调度算法根据所述链路请求信息进行链路分配操作，生成链路级用户流量信息；

按照预设时间周期在所述链路级用户流量信息中采集用户流量数据，生成6G链路级用户流量数据集。

7.根据权利要求5所述的面向6G异构聚合网络的链路级流量预测装置，其特征在于，还包括：时间预测单元，用于依据LSTM网络框架构建时间预测网络，得到LSTM时间预测模块；

空间预测单元，用于基于GAT框架和注意力机制构建空间预测网络，得到GAT空间预测模块；

模型生成单元，用于结合所述LSTM时间预测模块和所述GAT空间预测模块生成初始流量预测模型。

8.根据权利要求5所述的面向6G异构聚合网络的链路级流量预测装置，其特征在于，还包括：数据转换单元，用于将所述6G链路级用户流量数据集中的6G链路级用户流量数据转换为图结构数据，得到6G图结构数据集；

所述模型训练单元，具体用于：

采用所述6G图结构数据集对初始流量预测模型进行流量预测训练，得到6G用户流量预测模型。