1.一种基于边缘计算的物联网数据处理方法，其特征在于：包括，使用多模态传感器网络动态采集数据，计算各物联网设备数据上传时间的最小公倍数进行跨设备协同，通过边缘服务器接收数据并对数据进行去重和时间序列优化；

对优化后的时间序列数据进行事件识别和分类，根据分类结果进行数据聚合和压缩；

将聚合和压缩后的数据上传到云平台进行解压存储。

2.如权利要求1所述的基于边缘计算的物联网数据处理方法，其特征在于：所述使用多模态传感器网络动态采集数据指将物联网设备中的传感器与边缘服务器建立连接，配置传感器网络的连接参数，包括IP地址、网络频段以及连接协议，根据传感器类型和监测需求设置初始采集频率，使用传感器按照初始采集频率采集的数据建立基线；

在传感器采集数据的过程中，将每次采集的数据与基线数据进行比较，将每次采集的数据与基线数据比较的差值作为变化量，若变化量超过阈值Et，则记录该变化；

根据检测到的环境变化，计算新的数据采集频率：

式中，F(t)是时间t的采集频率，F0是初始采集频率，α是调整系数，反映环境变化对采集频率的影响程度，ΔE(t)是环境变化量，Et是环境变化阈值；

根据调整后的参数进行传感器数据采集，实时监测新的数据采集情况，若环境变化持续，则重复参数动态调整过程，将采集的数据的时间戳，传感器标识和测量值进行整合形成物联网设备数据集。

3.如权利要求2所述的基于边缘计算的物联网数据处理方法，其特征在于：所述计算各物联网设备数据上传时间的最小公倍数进行跨设备协同指从每个物联网设备收集物联网设备上传数据的时间间隔，每个物联网设备上传数据的时间间隔表示为：[T1,T2,…Tw]，

计算时间间隔的最小公倍数公式表示为：

式中，a和b是两个物联网设备上传数据的时间间隔，GCD是最大公因数；

设定初始时间间隔的最小公倍数为第一个物联网设备的上传时间间隔LCM＝T1；

对于每个物联网设备Tw，依次计算当前LCM和Tw的LCM：将所有设备的上传时间间隔T1,T2,…Tq从小到大排序，使用动态规划算法将时间间隔相近的设备划分为多个初步组合；

对于每个初步组合，使用最小公倍数算法计算该组合内的最小公倍数时间间隔；

定义每个组合的成本函数Cq：

式中，Ew是第w个物联网设备的能耗，Tw是第w个物联网设备的上传时间间隔，nq是第q个组合的物联网设备数量；

遍历所有组合，计算整体成本和时间间隔，选择具有最低成本的物联网设备组合，计算所有组合的总成本C：式中，M是物联网设备组合的数量；

定义优化目标为最小化物联网设备上传数据总成本：

minC，

根据优化后的组合，选择成本最低的物联网设备上传数据的时间间隔作为新的数据上传时间，将新的物联网设备上传数据的时间间隔设置通过网络管理系统更新每个物联网设备的数据上传时间设置，根据设置的上传时间将收集的物联网设备数据集上传至边缘服务器中。

4.如权利要求3所述的基于边缘计算的物联网数据处理方法，其特征在于：所述通过边缘服务器接收数据并对数据进行去重和时间序列优化指使用边缘服务器实时接收从各个物联网设备传输来的数据；

对接收的每个数据点应用哈希函数，生成唯一的哈希值，将生成的哈希值与边缘服务器中已存储的哈希表进行比对；

若该数据的哈希值已存在，则说明该数据是重复的，舍弃该数据；

若该数据的哈希值不存在，则保留数据并将哈希值添加到哈希表中；

根据数据的时间戳对所有非重复数据进行排序生成时间序列数据，检查时间序列中的缺失值，并使用线性插值方法填补缺失点；

计算时间序列中相邻数据点的时间间隔并检测异常时间间隔：ΔTl＝T′[i+1]‑T′[i]，

式中，ΔTl是第l个时间间隔，T'[i+1]是排序后的第i+1个时间戳，T'[i]是排序后第i个时间戳；

异常时间间隔表示为：

|ΔTl‑μ|>2σ，

式中，μ是时间间隔均值，σ是时间间隔标准差，通过异常时间间隔确定对应的数据为异常数据值；

根据检测结果剔除异常数据值，使用滑动窗口技术对时间序列进行平滑处理，将处理后的数据集中存储在边缘服务器的数据库中。

5.如权利要求4所述的基于边缘计算的物联网数据处理方法，其特征在于：所述对优化后的时间序列数据进行事件识别和分类包括，使用卷积神经网络构建事件识别模型，包括输入层、卷积层、池化层以及输出层；

使用历史物联网设备数据输入事件识别模型中进行迭代训练，定义损失函数和Adam优化器进行模型参数迭代优化，当在连续迭代过程中事件识别模型的损失不再明显下降则停止迭代输出模型参数更新事件识别模型；

将数据库中的实时物联网设备数据集输入事件识别模型中获取各个物联网设备数据对应的事件标签；

将事件标签与物联网设备性能日志对应整合，合并事件标签数据和物联网设备性能数据，使用皮尔森相关系数分析事件标签与物联网设备性能指标之间的相关性；

根据事件处理日志中的历史事件的影响程度，评估不同事件的紧急性和优先级，基于数据更新频率和历史影响的分析结果，为每种事件设定紧急级别。

6.如权利要求5所述的基于边缘计算的物联网数据处理方法，其特征在于：所述根据分类结果进行数据聚合和压缩指将物联网设备数据按照事件分类模型的输出的紧急级别进行分类排序，每个数据点根据关联的事件紧急级别进行标记，对于高紧急事件，进行实时的数据聚合处理，对于中紧急事件和低紧急事件，设置15到30分钟的聚合周期；

对于高紧急事件的数据使用低压缩，对于中和低紧急事件使用高压缩。

7.如权利要求6所述的基于边缘计算的物联网数据处理方法，其特征在于：所述将聚合和压缩后的数据上传到云平台进行解压存储指将聚合和压缩后的数据通过边缘服务器上传到云平台，云平台接收数据后对数据进行解压存储在云数据库中，并对存储数据实施安全保护措施和备份，定期对存储数据和备份数据进行完整性检测，并将检测结果同步进行存储。

8.一种基于权利要求1‑7任一所述的基于边缘计算的物联网数据处理方法的基于边缘计算的物联网数据处理系统，其特征在于：包括，数据采集模块，用于配置物联网设备与边缘服务器之间的连接参数，设置初始采集频率和数据分辨率并根据基线数据动态调整数据采集频率和数据分辨率；

同步模块，用于从各个物联网设备上收集数据上传时间间隔，计算最小公倍数实现物联网设备间数据同步上传；

数据去重模块，用于接收数据并通过哈希函数进行数据去重，对非重复数据进行时间序列排序；

事件识别模块，用于使用卷积神经网络对经过时间序列优化后的数据进行事件识别和分类，并对分类后的事件设定紧急级别；

数据聚合模块，用于根据事件的紧急级别对物联网设备数据进行分类排序和标记并进行聚合和压缩；

数据存储模块，用于将聚合和压缩后的数据上传到云平台进行解压存储和备份。

9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于边缘计算的物联网数据处理方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于边缘计算的物联网数据处理方法的步骤。