1.一种基于Transformer的智能电网5G移动终端多轨迹预测方法，其特征在于，包括以下步骤：S1：设定部署范围，收集部署范围内移动终端的移动轨迹数据；S2：处理移动轨迹数据；对移动轨迹数据进行平滑处理并剔除异常数据，划分训练样本和测试样本；S3：构建双层Transformer模型，第一层Transformer对每个移动终端的历史和当前预测轨迹进行编码；第二层Transformer对移动终端之间的关系和运动模式进行捕获并进一步建模，包括将每个终端的内在特征作为输入，进一步进行注意力编码；S4：训练并测试双层Transformer模型，将训练好的双层Transformer模型部署到处理中心；S5：对部署范围内的移动终端轨迹跟踪，通过双层Transformer模型输出轨迹预测结果。
2.根据权利要求1所述的一种基于Transformer的智能电网5G移动终端多轨迹预测方法，其特征在于，所述的步骤S1具体包括以下过程：S101：设定智能电网覆盖的区域的长度和宽度；S102：分别收集5G终端设备的移动轨迹数据；S103：给定以相同的采样间隔同时采样的长度为p的g个移动终端轨数据。
3.根据权利要求1或2所述的一种基于Transformer的智能电网5G移动终端多轨迹预测方法，其特征在于，所述的步骤S2中，通过高斯算法对移动轨迹数据进行平滑处理；高斯算法的过滤函数为：其中，(x,y)为移动轨迹数据的点坐标；σ为标准差。
4.根据权利要求1所述的一种基于Transformer的智能电网5G移动终端多轨迹预测方法，其特征在于，所述的第一层Transformer包括编码器和解码器组成；编码器包括若干个第一Layer，每个第一Layer包含多头自注意模块和前馈网络模块，每层均会进行残差连接和归一化；解码器包括若干个第二Layer，每个第二Layer包含屏蔽多头自注意模块、多头自注意模块和前馈网络模块，每层均会进行残差连接和归一化。
5.根据权利要求4所述的一种基于Transformer的智能电网5G移动终端多轨迹预测方法，其特征在于，所述的第一层Transformer的操作过程为：A1:输入序列T＝{t 1 ,t 2 ,...,t p }输入到第一层Transformer；通过线性变换，将每个时间步的坐标映射到高维嵌入空间；A2:对于输入序列中的位置信息，通过不同频率的正弦和余弦函数来编码位置特征，在编码器和解码器的底端嵌入位置编码；A3：将步骤A1和步骤A2中的输出相加，获得x，通过三个权重矩阵W q 、W k 和W v 分别转换为Query向量、Key向量和Value向量；A4：前馈网络模块包含两个线性层和一个非线性激活函数，具体计算过程为：FFN(x)＝ReLU(W 1 x+b 1 )W 2 +b 2其中，W 1 和W 2 是两个线性层的参数矩阵，b1和b2为线性层的偏置参数；A5：残差连接和归一化的具体过程为：x＝LayerNorm(x+Operation(x))其中，Operation(·)表示自注意力操作或前馈网络，LayerNorm(·)表示层归一化操作；A6：解码网络采用两个自注意力模型结构；第一个自注意力模型对输入{t zero ,t p+1 ,t p+2 ,t p+3 ,t p+4 }进行编码，作为第二个自注意力模型的Query向量；第二个注意力模型的输出采用前馈网络、残差连接和归一化模块，最后的输出是每个轨迹位置点对应的D维特征向量，并作为第二层Transformer的输入。
6.根据权利要求1或4或5所述的一种基于Transformer的智能电网5G移动终端多轨迹预测方法，其特征在于，所述的第二层Transformer包括多头自注意模块、前馈网络模块、残差连接模块和归一化模块，得到增强的特征序列后，使用线性变换将输出增强特征向量映射到二维坐标位置，从而得到最终的预测轨迹坐标位置。
7.根据权利要求6所述的一种基于Transformer的智能电网5G移动终端多轨迹预测方法，其特征在于，所述的第二层Transformer的操作过程为：B1：第二层Transformer的输入为每个移动终端每一个预测时间步的高维嵌入 共D维；B2：三个权重矩阵W q 、W k 和W v 将输入分别转换为Query向量、Key向量和Value向量；B3：嵌入前馈网络模块，前馈网络模块包含两个线性层和一个非线性激活函数，具体计算过程为：FFN(x)＝ReLU(W 1 x+b 1 )W 2 +b 2其中，W 1 和W 2 是两个线性层的参数矩阵，b1和b2为线性层的偏置参数；B4：残差连接和归一化的具体过程为：x＝LayerNorm(x+Operation(x)0其中，Operation(·)表示自注意力操作或前馈网络，LayerNorm(·)表示层归一化操作；B5：对于输出的每个移动终端的强化特征向量，使用线性变换将其映射为该移动终端在这一时间步的二维坐标位置，从而得到最后的预测轨迹坐标位置。
8.根据权利要求1所述的一种基于Transformer的智能电网5G移动终端多轨迹预测方法，其特征在于，所述的步骤S4包括以下步骤：S401：设置训练的学习率为0.01，epoch为300，batch size为100；S402：在训练的过程中，采用MSE作为学习的误差函数：其中,t i 为实际的移动终端轨迹坐标位置， 为预测的移动终端轨迹坐标位置；S403：采用Adam优化器来优化网络参数，逐步降低误差函数loss值。
