1.基于大数据和深度学习神经网络的云计算调度方法，其特征在于：包括以下步骤：

获取需调度的云任务类型T、需调度的T类型云任务的数量M以及拟调度到的云资源候选类型；

从过去能力大数据库中检索出所有从类型T的云任务调度到候选类型的云资源上的所有过去调度记录，所述过去能力大数据库存储有过去每次调度中不同类型的云任务调度到不同类型的云资源上时云任务的类型、T类型云任务的数量、云资源候选类型及候选类型云资源的占用数量；

根据检索出的所有过去调度记录，采用深度学习神经网络预测调度数量M的T类型云任务到候选类型的云资源时会占用候选类型云资源的数量；

根据预测的结果完成云计算调度。

2.根据权利要求1所述的基于大数据和深度学习神经网络的云计算调度方法，其特征在于：所述从过去能力大数据库中检索出所有从类型T的云任务调度到候选类型的云资源上的所有过去调度记录这一步骤，具体包括以下步骤：A、判断从T类型的云任务调度到候选类型中任一类型的云资源上的所有过去调度记录的个数是否等于0，若是，则执行步骤B，反之，则执行步骤C；

B、向用户发送关于T类型的云任务是否能在候选类型中执行的询问信息，并根据用户返回的反馈结果执行相应的操作：如果用户返回肯定的反馈，则继续执行步骤C；如果用户返回否定的反馈，则表明该候选类型的云资源的预测占用量为无穷大，此时结束对该候选类型的云资源的预测操作；

C、判断从T类型的云任务调度到候选类型的云资源上的所有过去调度记录的个数是否小于第一预设阈值，若是，则从过去能力大数据库中检索出从与T类型匹配度符合第二预设条件的类型的云任务调度到与候选类型匹配度符合第三预设条件的类型的云资源上的所有过去调度记录作为检索出的所有过去调度记录；反之，则从过去能力大数据库中检索出所有从类型T的云任务调度到候选类型的云资源上的所有过去调度记录作为检索出的所有过去调度记录。

3.根据权利要求1所述的基于大数据和深度学习神经网络的云计算调度方法，其特征在于：所述根据检索出的所有过去调度记录，采用深度学习神经网络预测调度数量M的T类型云任务到候选类型的云资源时会占用候选类型云资源的数量这一步骤，具体包括：初始化预设深度学习神经网络，使得预设深度学习神经网络的输入节点能以T类型云任务的数量作为输入，并使输出节点能以占用候选类型云资源的数量作为输出；

将检索出的每个过去调度记录按照时间先后顺序进行排序，并按照排序的先后依次作为训练数据对预设深度学习神经网络进行训练；

将需调度的T类型云任务的数量M作为训练后的预设深度学习神经网络的输入，并将训练后的预设深度学习神经网络计算得到的输出作为预测出的调度数量M的T类型云任务到候选类型云资源时会占用候选类型云资源的数量。

4.根据权利要求3所述的基于大数据和深度学习神经网络的云计算调度方法，其特征在于：所述将检索出的每个过去调度记录按照时间先后顺序进行排序，并按照排序的先后依次作为训练数据对预设深度学习神经网络进行训练这一步骤，具体包括：将检索出的每个过去调度记录按照时间先后顺序进行排序，所述检索出的每个过去调度记录包括云任务类型T以及对应的日期及时间k，T类型云任务的数量，云资源候选类型以及占用候选类型云资源的数量；

按照排序的先后依次将每个过去调度记录中T类型云任务的数量作为训练输入数据，对预设深度学习神经网络进行无监督训练；

按照排序的先后依次将每个过去调度记录中T类型云任务的数量作为训练输入数据，占用候选类型云资源的数量作为训练输出数据，对预设深度学习神经网络进行有监督训练。

5.根据权利要求1所述的基于大数据和深度学习神经网络的云计算调度方法，其特征在于：所述根据预测的结果完成云计算调度这一步骤，具体包括：将预测的调度数量M的T类型的云任务到具有剩余云资源的每一候选类型云资源时会占用该每一候选类型云资源的数量作为调度数量M的T类型云任务到该每一候选类型云资源时会占用该每一候选类型云资源的数量，并输出给云计算调度系统；

云计算调度系统根据预测的结果从所有候选类型云资源中选择一个类型云资源进行调度。

6.根据权利要求5所述的基于大数据和深度学习神经网络的云计算调度方法，其特征在于：所述云计算调度系统根据预测的结果从所有候选类型云资源中选择一个类型云资源进行调度这一步骤，具体包括：获取每一候选类型云资源的剩余资源量和单位成本；

判断T类型云任务是否可以拆分并调度到不同云资源，若是，则执行下一步骤，反之，则从所有候选类型云资源中选择一个剩余资源量大于或等于预测占用数量且总成本最低的一个类型云资源进行调度，其中，预测占用数量等于预测的数量M的T类型云任务占用候选类型云资源的数量，总成本＝预测占用数量×单位成本；

令剩余数量M’的初始值为M，从所有尚未被调度的候选类型云资源中选择有剩余资源量且单位成本最低的候选类型云资源，如果选择的候选类型的剩余预测占用量小于等于剩余资源量，则将数量M’的T类型云任务全部调度给该候选类型云资源；如果选择的候选类型的剩余预测占用量大于剩余资源量，则从数量M’的T类型云任务中拆分出M’×(剩余资源量/剩余预测占用数量)数量的T类型云任务调度给该候选类型云资源，并将M’更新为M’×(1-剩余资源量/剩余预测占用数量)，然后重新在尚未被调度的候选类型云资源中进行候选类型云资源选择，直至剩余资源量大于剩余预测占用数量，其中，剩余预测占用数量＝预测占用数量×(M’/M)，预测占用数量等于预测的数量M的T类型云任务占用候选类型云资源的数量。

7.根据权利要求1所述的基于大数据和深度学习神经网络的云计算调度方法，其特征在于：还包括以下步骤：在数量M的T类型云任务被调度且运行完成后，获取数量M的T类型云任务实际占用的被调度的候选类型云资源的数量，并存入过去能力大数据库。

8.基于大数据和深度学习神经网络的云计算调度系统，其特征在于：包括以下模块：

获取模块，用于获取需调度的云任务类型T、需调度的T类型云任务的数量M以及拟调度到的云资源候选类型；

检索模块，用于从过去能力大数据库中检索出所有从类型T的云任务调度到候选类型的云资源上的所有过去调度记录，所述过去能力大数据库存储有过去每次调度中不同类型的云任务调度到不同类型的云资源上时云任务的类型、T类型云任务的数量、云资源候选类型及候选类型云资源的占用数量；

预测模块，用于根据检索出的所有过去调度记录，采用深度学习神经网络预测调度数量M的T类型云任务到候选类型的云资源时会占用候选类型云资源的数量；

调度模块，用于根据预测的结果完成云计算调度。

9.根据权利要求8所述的基于大数据和深度学习神经网络的云计算调度系统，其特征在于：所述预测模块包括：初始化单元，用于初始化预设深度学习神经网络，使得预设深度学习神经网络的输入节点能以T类型云任务的数量作为输入，并使输出节点能以占用候选类型云资源的数量作为输出；

排序与训练单元，用于将检索出的每个过去调度记录按照时间先后顺序进行排序，并按照排序的先后依次作为训练数据对预设深度学习神经网络进行训练；

预测输出单元，用于将需调度的T类型云任务的数量M作为训练后的预设深度学习神经网络的输入，并将训练后的预设深度学习神经网络计算得到的输出作为预测出的调度数量M的T类型云任务到候选类型云资源时会占用候选类型云资源的数量。

10.基于大数据和深度学习神经网络的云计算调度系统，其特征在于：包括：

存储器，用于存放程序；

处理器，用于加载所述程序以执行如权利要求1-8任一项所述的基于大数据和深度学习神经网络的云计算调度方法。