1.一种边缘服务器的任务量预测方法，其特征在于包括以下步骤：S1、按照预定时间间隔收集各个边缘服务器的使用率数据；

S2、将收集到的使用率数据进行归一化处理后进行平滑处理；将平滑处理后的数据集划分为训练集、验证集和测试集；

S3、建立预测模型，所述预测模型包括依次连接的一维卷积层、一维最大池化层、双向长短期循环网络、残差层和注意力机制层，数据集输入值能够依次通过一维卷积层、一维最大池化层、双向长短期循环网络并输出数据，将所述输出数据与数据集输入值在残差层做残差操作后通过注意力机制层并最终输出结果；

S4、将训练集输入预测模型中进行训练数据，之后将验证集输入到预测模型中进行验证，从而完成一次训练；通过对预测模型进行多次训练直至验证集的损失函数值不再改变，则认为预测模型已被训练到最优，退出训练；

S5、将测试集输入到训练好的预测模型中得到预测结果，以此来调整边缘服务器的配置。

2.根据权利要求1所述的边缘服务器的任务量预测方法，其特征在于所述步骤S2中，采用公式(1)对使用率数据进行归一化处理，将数据变成0到1之间的小数：其中，Xmax为使用率数据中的最大值，Xmin为使用率数据中的最小值，X为使用率数据，为归一化之后的数据。

3.根据权利要求2所述的边缘服务器的任务量预测方法，其特征在于步骤S2中，采用Savitzky‑Golay滤波器对数据进行平滑处理，需确定Savitzky‑Golay滤波器的窗口值和拟合多项式值并将数据进行平滑，具体过程包括：+

S21、将归一化之后的数据表示为一个时间序列 t∈N＝{1,2,...}，取 为 的一个子序列，m为Savitzky‑Golay滤波器窗口值的一半，则Yn的长度为2m+1，n为子序列Yn的中心数值；

S22、利用公式(2)来拟合子序列Yn；

其中，p(b)为利用多项式输出的拟合值，γ为给定的多项式阶且γ＜2m+1,ar为多项式系数，b为子序列Yn的值；

S23、由于最小二乘法标准要求，在所有时隙上，使观察值xm+b与计算值p(b)之间的完全平方差的和ε最小，利用公式(3)计算εS24、最后利用子序列Yn中心点的拟合值作为一次平滑过程的平滑数据点，整个过程采用滑动窗口的形式进行，每次滑动一个时隙，直到所有数据都被平滑结束滤波过程。

4.根据权利要求3所述的边缘服务器的任务量预测方法，其特征在于所述Savitzky‑Golay滤波器的窗口值大于所述拟合多项式的值，其中所述窗口值为奇数，所述窗口值越大和/或拟合多项式的值越小，平滑后的数据与归一化之后的数据偏离越大。

5.根据权利要求4所述的边缘服务器的任务量预测方法，其特征在于将平滑后的数据按照4：2：4的比例划分为训练集、验证集和测试集，并将三个数据集构造成(输入数据，标签)的数据形状，其中输入数据为 标签为 t为时间标记，n为需要的历史数据长度，d为预测长度。

6.根据权利要求1所述的边缘服务器的任务量预测方法，其特征在于步骤S3中建立预测模型后首先需要设定一维卷积层的滤波器个数、卷积核大小和激活函数；设定一维最大池化层的池化窗口的参数、双向长短期记忆网络的神经元个数以及注意力机制层的激活函数。

7.根据权利要求6所述的边缘服务器的任务量预测方法，其特征在于设定一维卷积层的滤波器个数为64，卷积核大小为1，一维最大池化层的池化窗口的参数为18，双向长短期记忆网络的神经元个数为128。

8.根据权利要求6所述的边缘服务器的任务量预测方法，其特征在于所述一维卷积层的激活函数为Relu函数：

f(x)＝max{0,x}. (5)注意力机制层的激活函数为sigmoid函数：步骤S3中还需要设置优化器和损失函数，其中所述损失函数选择均方误差：其中， 为预测值，yi为真实值，i为取值的下标。

9.根据权利要求1所述的边缘服务器的任务量预测方法，其特征在于步骤S4中，采用mini‑batch的方法来训练数据，将所述训练集分成若干批，每次输入一个批的数据，采用梯度下降的方法更新预测模型的权重，直到训练集的所有批都被输入到预测模型。

10.根据权利要求9所述的边缘服务器的任务量预测方法，其特征在于步骤S5中，根据样本数量、输入维度、时间步长和预测步长，将测试集构造成符合预测模型输入的测试数据集格式X′＝(样本数，时间步，数据特征维度)，用滑动窗口的形式即每次往后移动一个测试数据集的长度，直到所有测试集数据都输入到预测模型中。