1.一种基于人工智能的计算机数据智能识别方法，其特征在于，所述方法包括以下步骤：步骤S1：获取历史大数据中立体停车场车位链条的历史使用次数，所述立体停车场车位链条用于在双层立体停车场中调整车位的链条，构建使用次数预测模型，计算立体停车场车位链条的预测使用次数；

步骤S2：对立体停车场内所有车位进行分组，获取立体停车场内所有分组车位的编号信息，获取每组车位链条的当前使用次数，基于立体停车场车位链条的预测使用次数计算每组车位链条的剩余使用次数；

步骤S3：构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间，利用重力传感器识别每组车位链条的承载重量，构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；

步骤S4：构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口；

在步骤S1中，所述构建使用次数预测模型包括：

获取历史大数据中立体停车场车位链条的历史使用次数，记为A＝{a1、a2、a3、......、az}；其中，a1、a2、a3、......、az分别表示停车场第1、2、3、......、z组车位链条的历史使用次数；

根据公式：

其中，表示停车场车位链条的预测使用次数；ai表示停车场第i组车位链条的历史使用次数；

在步骤S2中，

对停车场内所有车位进行分组，共分为p组，每组车位包含q个车位，获取立体停车场内所有分组车位的编号信息；

获取每组车位链条的当前使用次数，记为B＝{b1、b2、b3、......、bp}；

根据公式：

其中，cj表示第j组车位链条的剩余使用次数；表示停车场车位链条的预测使用次数；

bj表示第j组车位链条的当前使用次数；

在步骤S3中，所述构建车位链条磨损预测模型包括：

构建时间周期，记一天为一个时间周期；

获取任意一个时间周期k下第j组车位链条的所有使用缓冲时间，记为其中， 表示任意一个时间周期k下第j组车

位链条在第1、2、3、......、u次的使用缓冲时间；所述使用缓冲时间是指连续多次使用同一组车位的间隔时间；

设置每组车位链条的使用缓冲时间分界值，记为t0；

当 时，判断第j组车位链条的第v次使用缓冲时间为长缓冲时间；

当 时，判断第j组车位链条的第v次使用缓冲时间为短缓冲时间；

获取任意一个时间周期k下第j组车位链条长缓冲时间的次数，记为ej；

获取任意一个时间周期k下第j组车位链条短缓冲时间的次数，记为fj；

利用重力传感器识别出每组车位链条的承载重量，记为M＝{m1、m2、m3、......、mp}；其中，m1、m2、m3、......、mp分别表示第1、2、3、......、p组车位链条的承载重量；

构建车位链条磨损预测模型：

G(j)＝μ1*mj+μ2*ej+μ3*fj

其中，G(j)表示第j组车位链条的预测磨损值；μ1表示车位链条承载重量的回归系数权重；mj表示第j组车位链条的承载重量；μ2表示车位链条长缓冲时间次数的回归系数权重；ej表示任意一个时间周期k下第j组车位链条长缓冲时间的次数；μ3表示车位链条短缓冲时间次数的回归系数权重；fj表示任意一个时间周期k下第j组车位链条短缓冲时间的次数；

在步骤S4中，所述构建最佳车位推荐模型包括：

分别获取第j组车位链条的剩余使用次数cj和第j组车位链条的预测磨损值；

构建最佳车位推荐模型：

H(j)＝H0+α1*cj+α2*G(j)

其中，H(j)表示第j组车位的推荐得分；H0表示每组车位的归一化得分；α1表示每组车位链条剩余使用次数的回归系数权重；α2每组车位链条预测磨损值的回归系数权重；

按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口。

2.应用于一种基于人工智能的计算机数据智能识别方法的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述系统包括数据采集模块、预测分析模块、磨损预测识别模块、智能推荐模块；

所述数据采集模块用于获取历史大数据中立体停车场车位链条的历史使用次数、对立体停车场内所有车位进行分组、获取立体停车场内所有分组车位的编号信息和获取每组车位链条的当前使用次数；所述预测分析模块用于构建使用次数预测模型，计算立体停车场车位链条的预测使用次数，并基于立体停车场车位链条的预测使用次数和每组车位链条的当前使用次数计算每组车位链条的剩余使用次数；所述磨损预测识别模块用于构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间，利用重力传感器识别每组车位链条的承载重量，构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；所述智能推荐模块用于构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口；

所述数据采集模块的输出端与所述预测分析模块的输入端相连接；所述预测分析模块的输出端与所述磨损预测识别模块的输入端相连接；所述磨损预测识别模块的输出端与所述智能推荐模块的输入端相连接。

3.根据权利要求2所述的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述数据采集模块包括历史数据采集单元和当前数据采集单元；

所述历史数据采集单元用于获取历史大数据中立体停车场车位链条的历史使用次数；

所述当前数据采集单元用于对立体停车场内所有车位进行分组、获取立体停车场内所有分组车位的编号信息和获取每组车位链条的当前使用次数；

所述历史数据采集单元的输出端与所述当前数据采集单元的输入端相连接；所述当前数据采集单元的输出端与所述预测分析模块的输入端相连接。

4.根据权利要求2所述的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述预测分析模块包括使用次数预测模型构建单元和第一分析单元；

所述使用次数预测模型构建单元用于构建使用次数预测模型，计算立体停车场车位链条的预测使用次数；

所述第一分析单元用于基于立体停车场车位链条的预测使用次数和每组车位链条的当前使用次数计算每组车位链条的剩余使用次数；

所述使用次数预测模型构建单元的输出端与所述第一分析单元的输入端相连接；所述第一分析单元的输出端与所述磨损预测识别模块的输入端相连接。

5.根据权利要求2所述的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述磨损预测识别模块包括时间数据获取单元、智能识别单元、车位链条磨损预测模型构建分析单元；

所述时间数据获取单元用于构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间；

所述智能识别单元用于利用重力传感器识别每组车位链条的承载重量；

所述车位链条磨损预测模型构建分析单元用于构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；

所述时间数据获取单元的输出端与所述智能识别单元的输入端相连接；所述智能识别单元的输出端与所述车位链条磨损预测模型构建分析单元的输入端相连接；所述车位链条磨损预测模型构建分析单元的输出端与所述智能推荐模块的输入端相连接。

6.根据权利要求2所述的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述智能推荐模块包括最佳车位推荐模型构建分析单元、列表更新单元和智能输出单元；

所述最佳车位推荐模型构建分析单元用于构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表；

所述列表更新单元用于把不存在空余车位的车位分组删除后更新推荐列表；

所述智能输出单元用于将推荐得分最高的分组车位的编号信息反馈至用户端口；

所述最佳车位推荐模型构建分析单元的输出端与所述列表更新单元的输入端相连接；

所述列表更新单元的输出端与所述智能输出单元的输入端相连接。