1.一种面向车联网的边缘缓存内容预测与缓存方法，其特征在于，包括以下步骤：构建包含宏基站、路侧单元及车辆节点的车辆边缘缓存架构；

基于所述车辆边缘缓存架构中节点间的实时通信关系，建模动态通信拓扑关系图；

所述建模动态通信拓扑关系图，具体包括以下步骤：抽象所述宏基站、路侧单元及车辆抽象为图节点；

若两车辆间的欧氏距离小于预设阈值，则在两车辆节点间建立车辆到车辆V2V边；

若一车辆节点位于一路侧单元或宏基站节点的覆盖范围内，则在该车辆节点与该路侧单元或宏基站节点间建立车辆到基础设施V2I边；

为每个节点分配特征向量，所述特征向量包含节点通信状态和本体缓存信息；

利用图神经网络处理所述动态通信拓扑关系图，提取表述全局拓扑依赖关系的全局特征向量；

所述利用图神经网络处理所述动态通信拓扑关系图，提取全局拓扑依赖关系的全局特征向量，具体包括以下步骤：采用图注意力网络对节点特征进行迭代更新，获取更新后的节点特征；

通过图注意力网络的多次迭代对更新后的节点特征进行聚合，逐步提取图中节点的高层次特征信息，得到节点的最终特征表示；

对所有节点的最终特征表示进行平均池化操作，生成表述全局拓扑依赖关系的全局特征向量；

所述对所有节点的最终特征表示进行平均池化操作，生成表述全局拓扑依赖关系的全局特征向量，如下式所示：；

式中，g表示全局特征向量，编码整个网络的拓扑感知通信状态；

将全局特征向量作为注意力偏置，集成到基于Transformer的预测模型中，联合历史请求序列，输出未来内容流行度预测分布；

所述基于Transformer的预测模型采用双路径结构：第一路径为带偏置的Transformer分类器路径，将所述全局特征向量进行线性变换后作为注意力偏置引入Transformer的自注意力计算中，获取第一路径的输出；

其中，注意力偏置 由下式定义：

；

式中，表示全局特征向量，用于编码整个网络的拓扑感知通信状态；

带有偏置的自注意力计算表示为：

；

式中， 分别为查询、键、值矩阵，表示注意力维度；

第二路径为Transformer回归‑分类路径，先通过Transformer编码器对时间序列进行回归预测得到回归结果，再将回归结果与原始序列拼接后输入分类器，获取第二路径的输出；

融合所述第一路径的输出和所述第二路径的输出，得到未来内容流行度预测分布；

根据所述未来内容流行度预测分布，确定待缓存的热门内容集合；

基于所述热门内容集合，在所述宏基站、路侧单元及车辆节点间执行协同内容放置策略。

2.根据权利要求1所述的面向车联网的边缘缓存内容预测与缓存方法，其特征在于，所述采用图注意力网络对节点特征进行迭代更新，获取更新后的节点特征，如下式所示：；

其中， 表示节点的邻居节点集合， 为节点 与邻居节点 之间的注意力系数，为可学习的权重矩阵， 为节点在第 层的更新特征， 为节点 在第层的更新特征，σ(·)为激活函数。

3.根据权利要求1所述的面向车联网的边缘缓存内容预测与缓存方法，其特征在于，所述根据所述未来内容流行度预测分布，确定待缓存的热门内容集合，具体包括以下步骤：从所述未来内容流行度预测分布 中选取概率最高的 个内容，构成所述热门内容集合 ，如下式所示：。

4.根据权利要求1所述的面向车联网的边缘缓存内容预测与缓存方法，其特征在于，所述基于所述热门内容集合，在所述宏基站、路侧单元及车辆节点间执行协同内容放置策略，具体包括以下步骤：基于预测得到的所述热门内容集合，将热门内容协同预放置于由近及远的缓存节点层级中；

当车辆用户发起内容请求时，根据实时链路状态，按优先级顺序从所述缓存节点层级中选择传输延迟最低的可用缓存节点以获取所请求的内容。

5.一种面向车联网的边缘缓存内容预测与缓存装置，其特征在于，用于实现权利要求

1‑4任一项所述的面向车联网的边缘缓存内容预测与缓存方法；所述装置包括：通信拓扑构建模块，配置用于实时获取车辆、路侧单元及宏基站的位置与连接状态，并建模动态通信拓扑关系图；

图神经网络处理模块，与所述通信拓扑构建模块通信连接，用于运行GNN模型，从所述动态通信拓扑关系图中提取全局特征向量；

内容流行度预测模块，与所述图神经网络处理模块通信连接，用于集成所述全局特征向量与Transformer模型，预测未来内容流行度；

缓存决策模块，与所述内容流行度预测模块通信连接，用于根据预测出的内容流行度，生成在宏基站、路侧单元及车辆节点间的协同内容放置指令。

6.一种面向车联网的边缘缓存内容预测与缓存系统，其特征在于，包括：宏基站，配置具有大容量存储，用于缓存全部可用内容；

一个或多个路侧单元，部署于网络边缘，配置具有有限存储空间，用于从所述宏基站获取并缓存部分内容；

多个车辆，配置具有车载单元及本地缓存，用于临时存储内容；以及，如权利要求5所述的面向车联网的边缘缓存内容预测与缓存装置。