1.一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，该方法具体包括以下步骤：S1：通过移动边缘计算(Mobile Edge Computing,MEC)应用收集、存储并处理联网车辆的定位信息，构建车辆在本地的行驶轨迹数据库；

S2：以本地MEC服务器为中心重构车辆在本地的行驶轨迹，结合边缘网络收集邻近的MEC服务器数据和日期，形成样本集；具体包括以下步骤：S21：以本地MEC服务器覆盖域中的基站站点位置O为中心，基站有效覆盖半径为R′；取半径为R的区域D作为预测范围，将区域D划分为M个子区域di，即D＝{di|i＝1,...,M}，其中R＜R′；

S22：MEC服务器将车辆的历史轨迹数据投影到划分图里，并以区域划分后的子区域标记来记录车辆的行驶轨迹Trace＝{e1,e2,...,en|ei∈D}；服务器回传的车辆离开方向用s_out_place(∈P)表示，其中，P＝{pj|j＝1,...,r}表示邻近的MEC服务器集合，r表示邻近的MEC服务器总个数；

S23：设定输入向量为x＝(d1,...,dM,t_weekend)，初始化d1,...,M＝0；t_weekend表示行驶轨迹的日期信息用布尔变量，0表示周末，1表示工作日；将车辆行驶轨迹Trace的后三个元素视为有效预测变量，即Trace中最后三个数据(en-2,en-1,en)，并分别对x中的变量进行赋值： 设定输出向量为t＝(p1,...,pr)，若联网车辆离开当前区域后移动到pj，则标记pj＝1；将输入向量为x＝(d1,...,dM,t_weekend)数据归一化，形成训练集S＝{(xk,tk)|k＝1,...,N}，其中N表示训练样本集的数据总量；

S3：通过极限学习机(Extreme Learning Machines,ELM)预测算法预测车辆的移动方向，确定联网车辆将接入MEC服务器，迁移车联网应用到该服务器之内。

2.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述步骤S1具体包括以下步骤：S11：车载传感器周期性采集联网车辆的ID、GPS定位、即时速度、行驶方向和交通拥挤程度；

S12：联网车辆驶入本地覆盖域后，通过车载通信设备和本地MEC服务器相连，将收集到的数据传输到服务器之内；

S13：MEC服务器将收集到的历史数据进行处理，去除重复或错误的GPS定位信息；结合从邻近的MEC服务器回传的接入确认信息，形成车辆的历史轨迹，存储到本地行驶轨迹数据库中。

3.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述的行驶轨迹Trace须遵循乒乓效应和超时等待效应，即乒乓效应是去除历史移动轨迹中存在的循环路径；超时等待效应是用户在某一位置长期停留，其历史移动轨迹停留前后没有强相关性，需将其视为两段移动轨迹；停留时间阈值为T，T∈[1,2](h)。

4.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述步骤S3具体包括以下步骤：S31：利用训练集S的数据训练极限学习机预测模型，给定ELM神经元的激活函数g(x)，给定ELM隐层神经元个数 随机生成输入权重wk和阈值bk,k＝1,...,N；结合训练集S的输入，求得ELM神经网络的隐层输出矩阵：利用奇异值分解求解H的广义逆矩阵 结合训练集S的输出，求得ELM神经网络模型隐层到输出层的权重参数输入当前车辆在本地的行驶轨迹，形成新的样本xN+1，输入到训练好的ELM模型，求得tN+1；

tN+1中最大值对应的标记presult即为预测结果，表征联网车辆最有可能前往的位置；

S32：建立从本地p0到目标位置presult的通信链路，将本地为该联网车辆提供的服务、数据和用户信息预迁移到目标MEC服务器当中；当联网车辆驶入目标位置时，切换与联网车辆相连的MEC应用。

5.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述ELM预测算法的触发条件是联网车辆有离开当前覆盖范围的趋势，该趋势包含如下特征：a)联网车辆行驶到本地预测范围之外，即车辆定位位置到基站站点位置O的距离dis≥R，其中R为预测范围区域D的半径；

b)联网车辆朝远离本地服务范围的方向行驶，即车辆的行驶方向与基站站点位置O到联网车辆所连射线的夹角θ≥90°；

c)联网车辆当前处于正常行驶状态，屏蔽车辆掉头、停靠的异常状态，即车辆的行驶速度v≥V，其中V表示车辆正常行驶时的平均速度。