1.一种边缘计算中面向用户移动性与偏好的边缘协同缓存方法，其特征在于，包括以下步骤：S1，基于用户历史行为数据，即用户-物品评分矩阵R，使用交替最小二乘法生成的Embedding向量表示用户偏好，并根据用户偏好对用户进行分簇，同时基于用户社交数据构建用户信任模型，以此推断冷启动用户的所属类别；

S2，基于用户历史位置信息数据，采用ARIMA建立移动用户数量预测模型；

S3，采用余弦相似度计算用户的偏好资源，结合预测的下一时刻区域内各类别用户数量、各类别用户偏好文件，确定相应缓存目标资源；

S4，根据各服务器负载，缓存能耗，建立负载与能耗平衡的协作式缓存放置优化模型；

S5，采用基于改进的螺旋式搜索的蚁狮算法，求解缓存放置优化模型，获得缓存放置策略；

所述步骤S1基于用户历史行为，建立用户偏好模型，并根据用户偏好对用户进行分簇，具体包括：用户-物品评分矩阵是通过用户对物品的历史评分数据构建的，评分值越大，表示用户对该类资源的偏好程度也就越大；N个用户对M个物品的评分矩阵R可表示如下：其中，r

将矩阵R分解为矩阵U和V相乘后，矩阵U中的u基于用户偏好对用户进行分簇，具体包括：根据该类用户的Embedding向量与数据内容的Embedding向量进行相似度计算，与相应类别用户Embedding向量越相似的数据内容，表示该类别用户对内容的偏好性越大；由此可得到该类用户的TOP K个偏好内容；

所述步骤S2根据移动用户历史位置信息，建立移动用户数量预测模型，具体包括；

从t1时间段到tn时间段协作域内的用户数量集合可以表示为：NOU＝{NOU(t1),NOU(t2),…,NOU(tn)}并使用NOU作为ARIMA模型的输入，对tn+1时刻的各类别用户数量进行预测；

ARIMA模型的基本思想是将变量随时间变化形成的数据序列视为一个时间序列数据，并用给定的数学模型近似描述该序列，并计算变量的未来数值；ARIMA(p,d,q)模型表示为：其中μ为常数，p,d,q分别表示为自回归阶数，使时间序列平稳需要的差分阶数，移动平均阶数，γ所述步骤S3采用余弦相似度计算用户的偏好资源，结合预测的下一时刻区域内各类别用户数量、各类别用户偏好文件，确定相应缓存目标资源，包括步骤：(1)通过步骤S1得到各类别用户与资源文件的Embedding向量，与相应冷启动用户的所属类别；

(2)通过步骤S2可得到下一时刻区域内各类别用户的数量NOU，结合各类别用户与资源文件的Embedding向量，通过余弦相似度计算各类别用户与资源文件之间的相似度，得到各类别用户的偏好文件，余弦相似度计算公式如下：其中u

所述步骤S4根据各服务器负载因子

(1)设待缓存的文件集合为f＝{f

(2)将内容文件缓存在MEC服务器时，系统产生的缓存能耗开销由如下公式计算：其中，N

当内容文件缓存在MEC服务器上时，会给缓存系统带来额外的存储能耗，存储能耗由如下公式计算：其中P

(3)服务器S

其中Q

其中C

(4)存储能耗因子是用来衡量一个MEC服务器在协作域内，缓存一个文件所消耗能耗的相对大小，存储能耗因子采用如下公式表示；

其中，

(5)适应度函数由负载因子

文件f

其中β

协同缓存策略求解问题转化为每个目标缓存文件进行相应缓存适应度的和的最小值，即协同缓存策略求解的目标函数可由如下公式表示；

其中

约束条件：存储在边缘服务器的文件大小之和不能超过边缘服务器的总缓存容量

2.根据权利要求1所述的一种边缘计算中面向用户移动性与偏好的边缘协同缓存方法，其特征在于，所述步骤S5采用蚁狮算法对目标函数进行求解，具体包括；

步骤一：设N

步骤二：每个蚂蚁选择一个目标蚁狮，并向目标蚁狮与精英蚁狮之间进行游走，进行解的搜索；最后朝着目标蚁狮与精英蚁狮进行相应步长的随机游走；随机游走公式可由如下公式表示：RW＝D

其中D

步骤三：重新计算蚂蚁的适应度值，并根据适应度值将所有的蚂蚁与蚁狮进行排序，排序后选取前N个适应度值较佳的作为新的蚁狮，并饿死适应度值排名末尾的蚂蚁，重新生成新的蚂蚁加入到种群中；

步骤四：判断是否满足收敛标准或结束条件，若不满足则返回值步骤二，继续进行计算，否则输出精英蚁狮，该精英蚁狮对应的解即为算法的最终解。