1.一种基于人群分类的边缘计算任务卸载方法，其特征在于，包括：S10.中心服务器获取用户的历史轨迹信息和当前地理位置信息确定用户的预测轨迹，所述用户的预测轨迹包括历史预测轨迹和当前预测轨迹；

S20.对所述历史预测轨迹和当前预测轨迹进行轨迹拟合得到拟合目标轨迹；

S30.计算用户综合距离，中心服务器根据所述用户综合距离使用基于密度的噪声应用空间聚类算法对用户进行聚类，得到热点用户区域与离散用户；

S40.计算边缘服务器匹配度，根据所述边缘服务器匹配度得到所述热点用户区域的区域计算簇；

S50.根据所述区域计算簇对所述热点用户区域的用户进行任务卸载；

S60.对所述离散用户进行任务卸载；

所述历史预测轨迹由所述中心服务器根据用户的历史轨迹信息使用神经网络算法进行轨迹预测得到；

所述当前预测轨迹由所述中心服务器根据用户的当前地理位置信息使用卡尔曼滤波算法进行轨迹预测得到；

所述S30，包括：

S31.对用户的任务复杂度、用户价格偏好和用户之间距离进行归一化，得到归一化后任务复杂度Tc、归一化后用户价格偏好Price_p和归一化后用户之间距离dis；

S32.计算用户综合距离ZDis，公式如下：

；

其中，Tc1表示当前用户归一化后任务复杂度，Tc2表示下一位用户归一化后任务复杂度，Price_p1表示当前用户归一化后用户价格偏好，Price_p2表示下一位用户归一化后用户价格偏好；

S33.中心服务器根据所述用户综合距离使用基于密度的噪声应用空间聚类算法对用户进行聚类，得到热点用户区域与离散用户；

所述S40，包括：

S41.获取与热点用户区域中心r距离为d的所有边缘服务器，得到特殊边缘服务器集合，其中， 米；

S42.对所述特殊边缘服务器集合中边缘服务器的价格和边缘服务器与热点用户区域中心r的距离进行归一化，得到归一化后边缘服务器的价格EP和归一化后边缘服务器与热点用户区域中心r的距离ED；

S43.计算所述特殊边缘服务器集合中各个边缘服务器的边缘服务器匹配度Degree，公式如下：；

S44.将所述特殊边缘服务器集合中的边缘服务器按照所述边缘服务器匹配度升序排序得到边缘服务器匹配度集合，取所述边缘服务器匹配度集合中前n个边缘服务器为热点用户区域的区域计算簇，所述n满足：；

其中，ECk表示边缘服务器匹配度集合中序号为k的边缘服务器计算能力，Car表示热点用户区域内所有用户的任务复杂度；

S45.选取距离所述热点用户区域中心r最近的边缘服务器为区域计算簇控制节点，所述区域计算簇控制节点负责与其他的区域计算簇控制节点和离散边缘服务器进行通信；

所述S50，包括：

S51.获取热点用户区域中用户的拟合目标轨迹，得到未来m个时间段内的预测轨迹坐标；

S52.计算t时刻所述区域计算簇中各个边缘服务器的综合权值Cweight(t)，所述综合权值的计算公式如下：；

其中，dis_e(t)表示t时刻用户与边缘服务器之间归一化后的距离，Price_e表示归一化后的用户价格偏好与边缘服务器价格之差，Overload为负载因子，所述负载因子取值范围为{0,1}，所述负载因子为1表示边缘服务器超出负载，所述负载因子为0表示边缘服务器负载正常，β为权重因子， ；

S53.计算m个时间段内所述区域计算簇中各个边缘服务器的综合权值总和AllCweight，所述综合权值总和的计算公式如下：；

S54.创建边缘服务器队列，所述边缘服务器队列初始化为空，将m个时间段内区域计算簇中各个边缘服务器按照综合权值总和升序排列后存入所述边缘服务器队列中，判断所述边缘服务器队列是否为空，若是，转S56；若否，转S55；

S55.判断所述边缘服务器队列中的第一个边缘服务器的综合权值总和是否小于等于阈值γ，若是，则所述边缘服务器进行任务卸载；若否，转S56；

S56.获取所有离散边缘服务器得到离散边缘服务器集合，计算t时刻所述离散边缘服务器集合中各个离散边缘服务器的综合权值，得到m个时间段内所述离散边缘服务器集合中各个离散边缘服务器的综合权值总和，转S57；

S57.创建离散边缘服务器队列，所述离散边缘服务器队列初始化为空，将m个时间段内离散边缘服务器集合中各个离散边缘服务器按照综合权值总和升序排列后存入所述离散边缘服务器队列中，判断所述离散边缘服务器队列是否为空，若是，转S59；若否，转S58；

S58.判断所述离散边缘服务器队列中第一个离散边缘服务器的综合权值总和是否小于等于阈值γ，若是，则所述离散边缘服务器进行任务卸载；若否，转S59；

S59.热点用户区域内的用户向最近的区域计算簇控制节点发出卸载请求，所述区域计算簇控制节点与其他的区域计算簇控制节点进行通信，请求空闲服务器进行任务卸载；

所述阈值γ，大小为100；

所述离散边缘服务器是指不属于区域计算簇内的边缘服务器；

所述S60，包括：

S61.获取离散用户的拟合目标轨迹，得到未来m个时间段内的预测轨迹坐标；

S62.获取所述离散边缘服务器集合中与离散用户距离为d的离散边缘服务器，得到特殊离散边缘服务器集合，计算t时刻所述特殊离散边缘服务器集合中各个离散边缘服务器的综合权值，得到m个时间段内所述特殊离散边缘服务器集合中各个离散边缘服务器的综合权值总和；

S63.创建特殊离散边缘服务器队列，所述特殊离散边缘服务器队列初始化为空，将m个时间段内所述特殊离散边缘服务器集合中各个离散边缘服务器按照综合权值总和升序排列后存入所述特殊离散边缘服务器队列中，判断所述特殊离散边缘服务器队列是否为空，若是，转S65；若否，转S64；

S64.判断所述特殊离散边缘服务器队列中第一个离散边缘服务器的综合权值总和是否小于等于阈值γ，若是，所述离散边缘服务器进行任务卸载；若否，转S65；

S65.离散用户向最近的区域计算簇控制节点发出卸载请求，判断所述离散边缘服务器的负载是否小于阈值δ，若是，则所述离散边缘服务器进行任务卸载；若否，所述区域计算簇控制节点与其他的计算簇控制节点进行通信，请求空闲服务器进行任务卸载；

所述阈值δ，大小为0.5。

2.如权利要求1所述的一种基于人群分类的边缘计算任务卸载方法，其特征在于，所述轨迹拟合的公式如下：；

其中，Positionk表示用户轨迹拟合后在时刻k的位置，Lo1k表示历史预测轨迹在k时刻的经度，Lo2k表示当前预测轨迹在k时刻的经度，La1k表示历史预测轨迹在k时刻的纬度，La2k表示当前预测轨迹在k时刻的纬度，α为影响因子。

3.如权利要求2所述的一种基于人群分类的边缘计算任务卸载方法，其特征在于，所述影响因子α的修正公式如下：；

其中，dev1表示k时刻历史预测轨迹与真实轨迹的累计偏差距离，dev2表示k时刻当前预测轨迹与真实轨迹的累计偏差距离，所述真实轨迹由所述用户的历史轨迹信息得到。