1.一种通信无人机的节能按需预部署方法，其特征在于：包括以下步骤：S1：对于一个固定区域，在任意时隙开始时刻，边缘服务器利用融合注意力机制的卷积长短期记忆深度时空神经网络模型，以及所述固定区域内过往若干个时刻的流量与用户分布数据，对未来的流量与用户做出预测；

S2：基于未来流量与用户分布的预测结果，边缘服务器在满足用户接入速率需求的前提下，以最小化通信无人机发射能耗建立优化模型，执行节能部署算法，得到无人机集群最优的地理位置和覆盖分区；

S3：边缘服务器将最优地理位置和覆盖分区信息通过无人机集群路由发射至所有无人机，完成无人机集群的调度；

S4：无人机在整个时隙内为地面用户提供下行接入服务，并在时隙结束时将流量与用户分布信息作为训练样本发送至边缘服务器；

S5：边缘服务器收集所有无人机的训练样本，完成对深度时空神经网络模型的在线训练；跳转至步骤S1循环执行。

2.根据权利要求1所述的通信无人机的节能按需预部署方法，其特征在于：步骤S1中所述融合注意力机制的卷积长短期记忆深度时空神经网络模型将目标区域均匀离散地划分为若干个单元，每个单元具有唯一标识，单个单元内的所有用户及其产生的流量作为该单元用户数与流量值，并将所有单元所有时隙用户与流量数据组成时空三阶张量，以此为样本完成网络模型的训练和预测。

3.根据权利要求2所述的通信无人机的节能按需预部署方法，其特征在于：步骤S1中所述融合注意力机制的卷积长短期记忆深度时空神经网络模型的结构由输入层、ConvLSTM层、注意力层、批量归一化层，输出构成；输入层为流量历史时空序列，输出为下一时刻流量预测矩。

4.根据权利要求3所述的通信无人机的节能按需预部署方法，其特征在于：ConvLSTM的每个时间单元都有一个记忆单元Ct以积累状态信息，Ct通过三个具有参数的控制门进行访问和修改，即输入门it、忘记门ft和输出门ot；当一个时间步数据输入到ConvLSTM单元时，如果输入门it被激活，它所携带的信息存储到Ct；如果忘记门ft被激活，表示忘记过去的单元状态；最终隐藏状态Ht由输出门ot控制，它决定单元的输出Ct是否传播到最终状态；各个门及Ct、Ht的运算规则如下：

“*”表示卷积运算， 表示哈达玛积，σ表示sigmoid激活函数，tanh表示双曲正激活函；ConvLSTM在输入到状态、状态到状态的转换中将LSTM的全连接网络替换为卷积运算，是t时刻固定区域的流量矩阵，Ct、Ht、it、ft、ot均是三维张量，前两个维度是空间维度，后一维度是通道，w、b代表可学习的卷积核参数。

5.根据权利要求4所述的通信无人机的节能按需预部署方法，其特征在于：步骤S1中所述融合注意力机制的卷积长短期记忆深度时空神经网络模型在ConvLSTM网络基础上融合注意力机制，注意力机制的实现如下：首先通过卷积神经网络完成ConvLSTM的各个时间步的三阶张量隐藏状态到特征向量的转换，具体为通过多层卷积及池化的操作完成隐藏状态的空间特征提取和降维，最后重塑为特征向量；

其次，将特征向量通过多层感知机及softmax函数映射为注意力权重；

最后将注意力权重与隐藏状态相乘得到单步预测输出。

6.根据权利要求1所述的通信无人机的节能按需预部署方法，其特征在于：在所述步骤S2中，基于每个单元的流量与用户预测数值，计算出无人机向该单元每个用户提供的平均速率大小，结合空对地信道模型建立无人机的发射功率的表达式；以最小化无人机集群发射功率建立优化模型，提出节能部署算法，计算最优的无人机地理位置及覆盖分区。

7.根据权利要求6所述的通信无人机的节能按需预部署方法，其特征在于：步骤S2中所述节能部署算法为：

将原优化模型的目标问题拆解为两个子问题迭代求解；子问题一为固定每个无人机的位置求解其最佳覆盖分区，将其转化为线性整数规划中的指派问题并运用拉格朗日松弛法得到其对偶问题，利用次梯度法求解该对偶问题；子问题二为固定每个无人机的覆盖分区求解最优位置，考虑低空和高空两种普遍情况，针对每一种情况对优化变量求偏导得出驻点的闭式解；交替优化子问题一和子问题二，得到无人机集群的地理位置和覆盖分区策略。

8.根据权利要求1所述的通信无人机的节能按需预部署方法，其特征在于：在所述步骤S3中，得到的每个无人机的位置和与其关联的单元的信息后，边缘服务器借由无人机集群路由将该调度信息发送至每个无人机；无人机在下一时刻到来前根据调度信息调整自身的位置和关联单元，在接下来的整个时隙中为所述固定区域内的用户提供蜂窝网络的下行接入。