1.一种基于深度学习的异质软件工作量估计方法，其特征在于，所述方法包括：步骤S1：建立数据集，包括源数据集与目标数据集；

其中，目标数据集为用户自有的一个数据集；

源数据集为与目标数据集存在异质性的一个数据集；

步骤S2：利用源数据集与目标数据集训练自编码器；

步骤S3：从自编码器提取数据特征，把数据特征输入卷积神经网络训练预测器，使用预测器生成软件工作量的预测值。

2.根据权利要求1所述的一种基于深度学习的异质软件工作量估计方法，其特征在于，所述步骤S2包括：自编码器通过输入向量的聚合后验分布和任意的先验分布进行匹配来完成正则化；

所述输入向量的聚合后验分布为：

q(z)＝∫x q(z|x)pd(x)dx

所述任意的先验分布为：

p(z)

其中，x表示输入向量，z表示编码器的潜在编码向量，q(z|x)表示将x编码为z的编码分布，pd(x)表示数据分布，p(x|z)表示将z解码为x的解码分布。

3.根据权利要求2所述的一种基于深度学习的异质软件工作量估计方法，其特征在于，所述输入向量为目标数据集x1，聚合后验分布为：所述任意的先验分布为源数据集x2的先验分布，所述自编码器通过q(z)与p(z)进行匹配来完成正则化，完成训练。

4.根据权利要求1所述的一种基于深度学习的异质软件工作量估计方法，其特征在于，所述自编码器包含编码器和解码器，所述编码器对目标数据集进行编码，生成潜在编码向量；所述解码器对潜在编码向量进行解码，重构编码前的数据。

5.根据权利要求4所述的一种基于深度学习的异质软件工作量估计方法，其特征在于，所述自编码器为对抗自编码器，所述对抗自编码器包含生成器和判别器，所述生成器与判别器对抗，两者的对抗求解公式如下：其中，G表示生成器，D表示判别器，x表示根据真实数据分布生成的样本，G(z)表示根据先验概率p(z)生成的样本，训练判别器D时，log D(x)越大判别器D区分真实数据分布与模拟数据分布的能力越强，所以需要max D，训练生成器G时，1-D(G(z))越小生成器G生成的训练样本数据分布与真实数据分布的差异越小，所以需要min G；

所述生成器为编码器，对目标数据集进行编码，生成训练样本，所述训练样本即潜在编码向量；判别器对训练样本进行辨别，判断训练样本是服从真实数据编码分布还是服从模拟数据编码分布；所述目标数据集编码分布为模拟数据分布，所述源数据集编码分布为真实数据分布。

6.根据权利要求5所述的一种基于深度学习的异质软件工作量估计方法，其特征在于，所述对抗自编码器还包含损失函数。

7.根据权利要求6所述的一种基于深度学习的异质软件工作量估计方法，其特征在于，所述对抗自编码器加入损失函数的公式如下：其中， Q0表示使用源数据集x2训练预测器，对源

数据集x2进行预测的准确度；Q1表示预测器将从先验概率p(x1)生成样本作为训练集，对源数据集x2进行预测的准确度，所述先验概率p(x1)为目标数据集x1的先验概率。

8.根据权利要求1所述的一种基于深度学习的异质软件工作量估计方法，其特征在于，所述预测器为动态更新，所述动态更新包括：步骤S4.1：采集数据，建立至少一个新数据集；

步骤S4.2：选取一个步骤S4.1中未输入过预测器的新数据集作为新的源数据集，预测器原有的源数据集与目标数据集结合作为新的目标数据集；

步骤S4.3：将步骤S4.2中新生成的源数据集与目标数据集输入预测器，进行更新训练，所述更新训练与步骤S2中所述的训练相同；

步骤S4.4：若步骤S4.1中存在未输入过预测器的新数据集，执行步骤S4.2，否则完成动态更新。

9.根据权利要求8所述的一种基于深度学习的异质软件工作量估计方法，其特征在于，所述新数据集的数据来源于用户自有数据或外部企业数据。

10.根据权利要求1所述的一种基于深度学习的异质软件工作量估计方法，其特征在于，所述卷积神经网络包括1个输入层、至少1个卷积层、1个全连接层、1个输出层；所述卷积神经网络的连接方式为：输入层→卷积层→全连接层→输出层。