1.一种基于图卷积神经网络的邻区关系预测方法，包括输入数据，其特征在于，还包括以下步骤：
步骤1：初始化p-gcn模型；
步骤2：进行区域分割；
步骤3：进行p-gcn模型训练的前向计算；
步骤4：进行所述p-gcn模型训练的反向误差计算；
步骤5：更新所述p-gcn模型训练得到的参数；
步骤6：利用训练好的所述p-gcn模型对预测区域中的各子区域st+1～sk进行分区域的邻区关系预测，其中，t为训练区域所包含的子区域个数，k为子区域的总个数；
步骤7：对所述预测的结果进行后处理。
2.如权利要求1所述的基于图卷积神经网络的邻区关系预测方法，其特征在于，所述数据包括mcs或mr覆盖采样数据集d、初步构建的目标区域s的无线网络知识图谱g＝(v，e)和目标区域的小区邻接矩阵ac＝[nca*nca]，其中，v表示实体集合，e表示关系集合，nca为区域s内的小区总数。
3.如权利要求2所述的基于图卷积神经网络的邻区关系预测方法，其特征在于，所述步骤1包括以下子步骤：
步骤11：初始化节点特征矩阵x[n*d]，从无线网络知识图谱数据库中提取各实体及其属性信息存入所述节点特征矩阵x[n*d]，其中，n是子区域的实体节点数，d是最大特征维数；
步骤12：初始化节点类型向量f[n*1]：与x中的节点排序顺序相同，且小区节点对应项为1，其他为0，用于识别小区节点；
步骤13：初始化邻接矩阵a[n*n]：邻接矩阵，表征两两节点间的边是否存在，包括小区-基站、采样-小区、终端-小区、采样-终端和小区-小区，其中，1为存在，0为不存在或未知；
步骤14：随机初始化卷积窗权重矩阵w1＝[d*c1]、w2＝[c1*1]和w4＝[nc(nc-1)/2*2]，对l1和l2两个卷积层，同层各神经元共享相同的卷积窗权重，其中，c1为卷积窗w2的窗长，nc为每个子区域内的小区节点数。
4.如权利要求3所述的基于图卷积神经网络的邻区关系预测方法，其特征在于，所述步骤2为将目标区域s按空间分割为k个矩形子区域s1，s2，...，si，...，sk，每个子区域内保证小区节点数固定为nc、总节点数为n，并相邻子区域保持一定程度的重叠。
5.如权利要求4所述的基于图卷积神经网络的邻区关系预测方法，其特征在于，所述步骤2包括基于d、g、ac得到各子区域si的特征矩阵xi、节点类型向量fi、邻接矩阵ai和小区对关系指示向量pi，其中，i＝1～k。
6.如权利要求5所述的基于图卷积神经网络的邻区关系预测方法，其特征在于，所述邻接矩阵ai中包含所有的隶属关系、驻留关系、关联关系和已标记的邻区关系。
7.如权利要求6所述的基于图卷积神经网络的邻区关系预测方法，其特征在于，所述子区域s1～st成为训练区域，所述训练区域的邻区关系完全已知，随机取部分邻区关系作为训练时的输入信息，其余部分邻区关系用于测试。
8.如权利要求6所述的基于图卷积神经网络的邻区关系预测方法，其特征在于，所述子区域st+1～sk成为预测区域，所述预测区域的邻区关系仅部分已知并作为正向计算时的输入，其余部分为未知或待预测。
9.如权利要求4所述的基于图卷积神经网络的邻区关系预测方法，其特征在于，所述步骤3包括以下子步骤：
步骤31：构造输入层l0；
步骤32：计算第1图卷积层l1的输出；
步骤33：计算第2图卷积层l2的输出；
步骤34：计算池化层l3的输出；
步骤35：计算输出层l4的输出。
10.一种基于图卷积神经网络的邻区关系预测系统，包括用于输入数据的数据输入模块，其特征在于，还包括以下模块：
初始化模块：用于初始化p-gcn模型；
分割模块：用于进行区域分割；
计算模块：用于进行p-gcn模型训练的前向计算和反向误差计算；
更新模块：用于更新所述p-gcn模型训练得到的参数；
预测模块：用于利用训练好的所述p-gcn模型对预测区域中的各子区域st+1～sk进行分区域的邻里关系预测，其中，t为训练区域所包含的子区域个数，k为子区域总个数后处理模块：用于对所述预测的结果进行后处理。
所述系统按照如权利要求1所述的方法进行基于图卷积神经网络的邻区关系预测。