1.一种基于人工智能的无人机共享智能管理方法，其特征在于，所述方法包括：步骤1，实时采集无人机群与地面控制平台间的多维通信参数，以计算通信质量综合评分；

步骤2，基于所述通信质量综合评分，通过深度学习网络生成初始通信配置方案；

步骤3，将所述初始通信配置方案输入预设的时空预测模型，通过时空卷积神经网络对区域频谱需求进行超前计算，生成频段‑时隙联合分配矩阵；

步骤4，在无人机运行空域内选定三个非共线位置点，通过坐标映射算法构建空间虚拟几何形状；提取空间虚拟几何形状的几何中心坐标，计算其与通信覆盖质心的偏移量作为第一修正因子；分析三个位置点间的信号覆盖夹角分布，结合路径损耗模型生成第二修正因子；根据空间虚拟几何形状边界上的信号衰减梯度，计算多径效应补偿系数作为第三修正因子；将第一修正因子、第二修正因子和第三修正因子融合为综合修正值；

步骤5，根据综合修正值，通过路径规划神经网络评估通信中断风险，生成包含冗余中继节点选择规则及动态分片重组策略的多路径传输方案；

步骤6，基于所述多路径传输方案对所述频段‑时隙联合分配矩阵进行动态迭代更新，通过误差反向传播机制调整时空预测模型的权重参数，形成闭环管理。

2.根据权利要求1所述的基于人工智能的无人机共享智能管理方法，其特征在于，步骤

1，实时采集无人机群与地面控制平台间的多维通信参数，以计算通信质量综合评分，包括：实时采集无人机群与地面控制平台间的信号强度、误码率、传输延迟、带宽利用率及干扰水平参数，对各参数进行归一化处理，以得到归一化后的参数；

采用滑动时间窗口分析法对归一化后的参数进行时序特征提取，计算各参数在窗口期内的动态变化率及方差作为参数波动特征；

基于层次分析法构建动态权重计算模型，将参数波动特征输入动态权重计算模型，通过对比参数变化趋势对通信稳定性的影响程度，构造动态判断矩阵，计算各参数的实时权重系数；

将实时参数值与其对应的实时权重系数进行加权融合，同时叠加参数波动特征的方差衰减因子，生成反映当前通信状态稳定性的综合评分。

3.根据权利要求2所述的基于人工智能的无人机共享智能管理方法，其特征在于，步骤

2，基于所述通信质量综合评分，通过深度学习网络生成初始通信配置方案，包括：将通信质量综合评分及动态判断矩阵输入预训练的深度学习网络，其中动态判断矩阵包含各通信参数的动态权重分布及历史波动特征；

深度学习网络输入端同步接收无人机群的实时三维位置分布数据、任务优先级标签及信道状态信息，将动态判断矩阵与通信质量综合评分进行特征对齐，形成多维输入向量；

通过卷积层对无人机群的空间分布进行网格化映射，提取不同区域通信质量的空间关联特征，生成通信热力图；

将热力图与循环神经网络层连接，基于信道状态信息的时序变化规律，分析各信道在未来时隙的可用性概率；

通过特征融合层将空间关联特征与时序可用性概率进行非线性叠加，生成信道资源配置的时空联合特征；输出层根据时空联合特征，通过全连接结构计算各无人机的调制编码策略匹配度、发射功率与干扰约束关系、信道绑定组合效用值及重传机制的稳定性评估指标，生成包含优先级排序的初始配置参数集；

根据初始配置参数集中的优先级标签动态调整配置方案的执行顺序，生成与当前通信状态及任务需求适配的初始通信配置方案。

4.根据权利要求3所述的基于人工智能的无人机共享智能管理方法，其特征在于，步骤

3，将所述初始通信配置方案输入预设的时空预测模型，通过时空卷积神经网络对区域频谱需求进行超前计算，生成频段‑时隙联合分配矩阵，包括：将初始通信配置方案输入时空卷积神经网络，输入层接收历史频谱占用数据、当前信道分配状态及无人机任务队列；

时空卷积层通过三维卷积核同步提取频谱资源的空间分布特征及时隙占用模式，预测层基于注意力机制对区域频谱需求进行超前K步预测；

输出层生成频段‑时隙联合分配矩阵，频段‑时隙联合分配矩阵行向量表示可用频段编号，列向量表示未来时隙序列，频段‑时隙联合分配矩阵元素值代表频段‑时隙单元的分配权重；根据权重值对频段‑时隙联合分配矩阵进行优先级排序，生成可动态调整的联合分配策略。

5.根据权利要求4所述的基于人工智能的无人机共享智能管理方法，其特征在于，步骤

4，在无人机运行空域内选定三个非共线位置点，通过坐标映射算法构建空间虚拟几何形状；提取空间虚拟几何形状的几何中心坐标，计算其与通信覆盖质心的偏移量作为第一修正因子，包括：基于无人机运行空域内实时采集的动态判断矩阵，筛选信号波动显著且分布离散的三个非共线位置点；

根据其三维空间坐标，通过坐标映射算法构建三角形虚拟平面，该平面用于表征当前空域通信环境的物理空间参考基准；

采用最小二乘法计算三角形平面内所有顶点坐标的几何中心，生成物理空间基准点；

基于动态判断矩阵中三个位置点的实时信号强度值，通过加权质心算法计算各位置点的信号权重比例，结合其三维坐标生成通信覆盖质心坐标，该质心表示实际信号分布的核心区域；

计算几何中心与通信覆盖质心之间的三维欧氏距离，利用空域最大通信半径对距离值进行归一化处理，生成第一修正因子。

6.根据权利要求5所述的基于人工智能的无人机共享智能管理方法，其特征在于，分析三个位置点间的信号覆盖夹角分布，结合路径损耗模型生成第二修正因子，包括：基于构建的三角形虚拟平面顶点坐标，分别在三个位置点构成的各边区域，计算相邻两点间信号强度变化形成的覆盖夹角；

根据路径损耗模型，结合各夹角顶点处无人机的实时飞行高度、障碍物密度分布数据及当前通信载波频率，计算各夹角区域在视距与非视距传播条件下的路径损耗期望值；

根据三个夹角的损耗期望值，通过指数平滑算法消除瞬时干扰噪声，生成反映三角形区域内信号覆盖稳定性的分布系数；将分布系数与预设的损耗阈值区间进行匹配，根据覆盖均匀性衰减程度，采用分段线性函数将系数映射至修正量区间，生成第二修正因子。

7.根据权利要求6所述的基于人工智能的无人机共享智能管理方法，其特征在于，根据空间虚拟几何形状边界上的信号衰减梯度，计算多径效应补偿系数作为第三修正因子；将第一修正因子、第二修正因子和第三修正因子融合为综合修正值，包括：基于构建的三角形虚拟平面边界坐标，沿几何形状边缘等间距选取采样点，实时采集各点的信号强度值并计算相邻点间的衰减梯度，形成边界信号衰减分布图谱；

根据衰减梯度的方向向量及变化率，构建多径效应传播路径的概率密度函数，通过积分运算量化反射与散射信号的叠加影响，生成边界衰减补偿系数作为第三修正因子；

根据表征空间偏移的第一修正因子、方位差异补偿的第二修正因子及多径效应补偿的第三修正因子，通过加权法计算综合修正值。

8.根据权利要求7所述的基于人工智能的无人机共享智能管理方法，其特征在于，步骤

5，根据综合修正值，通过路径规划神经网络评估通信中断风险，生成包含冗余中继节点选择规则及动态分片重组策略的多路径传输方案，包括：将综合修正值输入预训练的路径规划神经网络，该网络通过特征解析层将修正值分解为空间畸变强度、方位衰减指数及多径干扰等级三个维度特征；

在网络隐层中，结合无人机群实时位置数据构建三维通信环境场模型，通过卷积核扫描生成通信中断风险的空间分布热力图，其中热力图色度值与中断概率正相关；

基于热力图的高风险区域识别结果，通过规则引擎动态生成冗余中继节点部署策略；

针对传输数据流，根据风险热力图中不同区域的等级划分，采用自适应分片算法动态调整数据包分片大小，并依据频段‑时隙联合分配矩阵规划多路径并行传输时序；最终将中继拓扑配置规则与数据分片策略进行时空对齐，生成具有环境自适应能力的多路径传输方案。

9.根据权利要求8所述的基于人工智能的无人机共享智能管理方法，其特征在于，步骤

6，基于所述多路径传输方案对所述频段‑时隙联合分配矩阵进行动态迭代更新，通过误差反向传播机制调整时空预测模型的权重参数，形成闭环管理，包括：根据多路径传输方案的实际传输时延及丢包率数据，反向修正频段‑时隙联合分配矩阵中的优先级权重；

将修正后的频段‑时隙联合分配矩阵与原始预测结果进行残差计算，生成时空预测模型的误差向量；

通过误差反向传播机制调整时空卷积神经网络的卷积核权重及注意力系数，同时更新路径规划神经网络的风险评估参数；

建立动态迭代优化机制，使得通信配置方案随环境变化自动纠偏，形成评估‑配置‑修正的闭环管理流程。

10.一种基于人工智能的无人机共享智能管理系统，其特征在于，该系统用于执行如权利要求1至9中任一项所述的方法，所述系统包括：采集模块，用于实时采集无人机群与地面控制平台间的多维通信参数，以计算通信质量综合评分；

生成模块，用于基于通信质量综合评分，通过深度学习网络生成初始通信配置方案；

计算模块，用于将所述初始通信配置方案输入预设的时空预测模型，通过时空卷积神经网络对区域频谱需求进行超前计算，生成频段‑时隙联合分配矩阵；

修正模块，用于在无人机运行空域内选定三个非共线位置点，通过坐标映射算法构建空间虚拟几何形状；提取空间虚拟几何形状的几何中心坐标，计算其与通信覆盖质心的偏移量作为第一修正因子；分析三个位置点间的信号覆盖夹角分布，结合路径损耗模型生成第二修正因子；根据空间虚拟几何形状边界上的信号衰减梯度，计算多径效应补偿系数作为第三修正因子；将第一修正因子、第二修正因子和第三修正因子融合为综合修正值；

分配模块，用于根据综合修正值，通过路径规划神经网络评估通信中断风险，生成包含冗余中继节点选择规则及动态分片重组策略的多路径传输方案；

调整模块，用于基于所述多路径传输方案对所述频段‑时隙联合分配矩阵进行动态迭代更新，通过误差反向传播机制调整时空预测模型的权重参数，形成闭环管理。