1.一种驾驶模型训练方法，其特征在于，包括：

获取用户的训练行为数据，所述训练行为数据与用户标识相关联；

基于所述训练行为数据，获取与所述用户标识相关联的训练驾驶数据；

基于所述用户标识，从所述训练驾驶数据获取正负样本；

采用所述正负样本对长短时记忆神经网络模型进行训练，获取目标驾驶模型。

2.根据权利要求1所述的驾驶模型训练方法，其特征在于，所述基于所述训练行为数据，获取与所述用户标识相关联的训练驾驶数据，包括：基于所述训练行为数据，获取与所述训练行为数据对应的行为类型，所述行为类型与所述用户标识相关联；

将所述行为类型为驾驶类型的所述训练行为数据，作为所述训练驾驶数据。

3.根据权利要求2所述的驾驶模型训练方法，其特征在于，所述基于所述训练行为数据，获取与所述训练行为数据对应的行为类型，所述行为类型与所述用户标识相关联，包括：获取训练好的行为类型识别模型，所述行为类型识别模型包括至少两个聚类类簇，每一所述聚类类簇对应一所述行为类型，且每一所述聚类类簇包括一质心；

计算所述训练行为数据到每一所述质心的距离；

将所述距离最小的所述聚类类簇对应的所述行为类型，作为所述训练行为数据对应的所述行为类型。

4.根据权利要求1所述的驾驶模型训练方法，其特征在于，所述基于所述用户标识，从所述训练驾驶数据获取正负样本，包括：从目标用户标识对应的所述训练驾驶数据中，选取预设时间段对应的所述训练驾驶数据作为正样本；

从非目标用户标识对应的所述训练驾驶数据中，选取同一时间段对应的所述训练驾驶数据作为负样本；

按预设比例配置所述正样本和所述负样本的数量。

5.根据权利要求1所述的驾驶模型训练方法，其特征在于，所述采用所述正负样本对长短时记忆神经网络模型进行训练，获取目标驾驶模型，包括：初始化长短时记忆神经网络模型；

在所述长短时记忆神经网络模型中输入所述正负样本，计算所述长短时记忆神经网络模型各层的输出值；

根据所述输出值对所述长短时记忆神经网络模型各层进行误差反传更新，获取更新后的所述各层的权值，其中，所述误差反传更新的表达式为其中，T表示时刻，W表示权值，B表示输出值，δ表示误差项， 为上一时刻神经元的状态数据，bt-1h为上一时刻的输出值；

基于更新后的所述各层的权值，获取目标驾驶模型。

6.一种驾驶人识别方法，其特征在于，包括：

获取用户的待识别行为数据，所述待识别行为数据与用户标识相关联；

基于所述用户标识查询数据库，获取与所述用户标识相对应的目标驾驶模型，所述目标驾驶模型是采用权利要求1-5任一项所述驾驶模型训练方法获取的模型；

基于所述待识别行为数据和所述目标驾驶模型，获取识别概率值；

判断所述识别概率值是否大于预设概率值；若所述识别概率值大于所述预设概率值，则确定为本人驾驶。

7.一种驾驶模型训练装置，其特征在于，包括：

训练行为数据获取模块，用于获取用户的训练行为数据，所述训练行为数据与用户标识相关联；

训练驾驶数据获取模块，用于基于所述训练行为数据，获取与所述用户标识相关联的训练驾驶数据；

正负样本获取模块，用于基于所述用户标识，从所述训练驾驶数据获取正负样本；

目标驾驶模型获取模块，用于采用所述正负样本对长短时记忆神经网络模型进行训练，获取目标驾驶模型。

8.一种驾驶人识别装置，其特征在于，包括：

待识别行为数据获取模块，用于获取用户的待识别行为数据，所述待识别行为数据与用户标识相关联；

目标驾驶模型获取模块，用于基于所述用户标识查询数据库，获取与所述用户标识相对应的目标驾驶模型；

识别概率值获取模块，用于基于所述待识别行为数据和所述目标驾驶模型，获取识别概率值；

识别结果判断模块，用于判断所述识别概率值是否大于预设概率值；若所述识别概率值大于所述预设概率值，则确定为本人驾驶。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述驾驶模型训练方法的步骤；或者，所述处理器执行所述计算机程序时实现如权利要求6所述驾驶人识别方法的步骤。

10.一种计算机可读介质，所述计算机可读介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述驾驶模型训练方法的步骤；或者，所述处理器执行所述计算机程序时实现如权利要求6所述驾驶人识别方法的步骤。