1.一种车载边缘服务器协同固定边缘服务器的边缘动态集成方法，其特征在于，包括：

将待研究区域的地图划分为至少2个网格，并在任一所述网格中部署用户终端，将所述用户终端产生的任务转移至车载边缘服务器；通过预测模型，对任一所述网格的交通流量进行预测，得到车流量预测数据；根据所述车流量预测数据，得到所述网格在设定时间内的车载边缘服务器计算容量；在所述网格满足车载边缘服务器计算容量的前提下，使至少2辆车载边缘服务器在不同所述网格之间的移动路径最短，以得到车载边缘服务器的最优调度结果；所述根据所述车流量预测数据，得到所述网格在设定时间内的车载边缘服务器计算容量，包括：根据所述车流量预测数据，得到不同时间段的平均车辆流量和变化系数，并将交通量和变化系数均在前10%‑30%的网格部署固定边缘服务器和车载边缘服务器的主要候选网格，其他网格则仅依赖于固定边缘服务器；使用孤立森林算法来检测任一所述网格内用户需求，得到所述网格内车流量激增时段；以所述网格内车流量激增时段的最小车流量作为需要部署固定边缘服务器的最大容量，且以所述网格内车流量激增时段的最大车流量与最小车流量之差作为需要部署车载边缘服务器的计算容量。

2.根据权利要求1所述的车载边缘服务器协同固定边缘服务器的边缘动态集成方法，其特征在于，所述通过预测模型，对所述待研究区域的交通流量进行预测，得到车流量预测数据，包括：构建时间一致性的神经网络模型；使用已知的车流量数据训练所述时间一致性的神经网络模型，得到预测模型；将待预测时间点以前的第一时段中的每天每个时间片对应的所有网格的车流量数据作为输入数据，输入所述预测模型中，得到待预测时间点的第二时段中每天每个时间片的车流量预测数据。

3.根据权利要求2所述的车载边缘服务器协同固定边缘服务器的边缘动态集成方法，其特征在于，所述构建时间一致性的神经网络模型，包括：通过分组卷积和逐点卷积构建特征提取块；通过所述特征提取块构建神经网络模型。

4.根据权利要求3所述的车载边缘服务器协同固定边缘服务器的边缘动态集成方法，其特征在于：对于神经网络中的任一特征图 ，卷积核为，输出特征图为 ，那么标准卷积操作被描述为：

；其中，*表示卷积操作符， 和 表述特征图的输入和输出通道数， 和

表示特征图的长和宽， 表示卷积核的大小， 和 输出特征图的长和宽，且；其中， 表示卷积核移动的步长， 表示特征图填充的长度。

5.根据权利要求3所述的车载边缘服务器协同固定边缘服务器的边缘动态集成方法，其特征在于：所述特征提取块表示为：

；其中，X

和Y分别表示特征提取模块的输入和输出。

6.根据权利要求1所述的车载边缘服务器协同固定边缘服务器的边缘动态集成方法，其特征在于，所述将待研究区域的地图划分为至少2个网格，并在任一所述网格中部署用户终端，将所述用户终端产生的任务转移至边缘服务器，包括：将待研究区域的地图划分为S×S网格的二维地图，并将网格的索引集记为A = {1,2，……，M}，其中M表示网格的总数；在任一所述网格中部署固定边缘服务器、用户终端以及车载边缘服务器，并将所述用户终端产生的任务转移到所述固定边缘服务器和车载边缘服务器中，通过所述固定边缘服务器和/或车载边缘服务器来执行任一任务。

7.根据权利要求1所述的车载边缘服务器协同固定边缘服务器的边缘动态集成方法，其特征在于，所述在所述网格满足车载边缘服务器计算容量的前提下，使至少2辆车载边缘服务器在不同所述网格之间的移动路径最短，包括：设定一个初始空解作为车载边缘服务器的调度方案，并设置迭代次数；进行聚类，并为每个聚类生成随机的初始解；生成簇内路径，连接簇类路径；通过迭代，最终得到车载边缘服务器在不同所述网格之间的最短移动路径。

8.根据权利要求7所述的车载边缘服务器协同固定边缘服务器的边缘动态集成方法，其特征在于，所述生成簇内路径，连接簇类路径，包括：对于所述聚类中的每一个簇，随机在其内部产生一条路径，并将不同集群之间的路径连接起来，形成一个整体的路线，作为路线规划的初始解决方案；将未被归类到簇的噪声点加入到已有的路径中，或者将未被归类到簇的噪声点独立生成新路径。

9.根据权利要求7所述的车载边缘服务器协同固定边缘服务器的边缘动态集成方法，其特征在于，所述通过迭代，最终得到车载边缘服务器在不同所述网格之间的最短移动路径，包括：利用迭代局部搜索方法来不断改进初始值，直到达到预设的最大迭代计数，生成最终解，输出当前得到的最优车载边缘服务器调度方案；且在迭代局部搜索方法来不断改进初始值的过程中，使用2‑opt算法随机选择两个节点进行交换，并且引入惩罚矩阵记录频繁的节点对交换。