1.一种产品购买预测方法，应用于服务器，其特征在于，所述方法包括：

接收步骤：接收带有目标用户身份标识信息和目标产品类型的分析请求；

提取步骤：从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；

生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；

第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值；

均值处理步骤：将所述预设数量用户的目标产品的购买时间序列进行均值处理，生成所述预设数量用户的该目标产品对应的平均购买时间序列；

第二预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该预设数量用户购买的该目标产品对应的第一分析模型，将所述平均购买时间序列输入到对应的第一分析模型中，生成该目标产品的第二购买预测值；

最终预测步骤：根据产品类型与预先训练的第二分析模型的映射关系，确定该目标用户购买的该目标产品对应的第二分析模型，将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中，生成该目标产品的最终购买预测值。

2.根据权利要求1所述的产品购买预测方法，其特征在于，所述第一分析模型为长短期记忆网络模型，针对一种产品对应的第一分析模型包括以下训练步骤：S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据，根据该购买数据中对应的购买时间点，分别为各个用户生成该种产品对应的购买时间序列；

S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；

S13、利用训练集中的购买时间序列对所述第一分析模型进行训练，并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证；

S14、若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则通过增加S11中用户的数量，增加购买时间序列的数量，之后执行步骤S12。

3.根据权利要求1所述的产品购买预测方法，其特征在于，所述均值处理步骤还包括：

将预设数量用户购买的该目标产品的购买时间序列中连续购买行为的发生次数取平均值，得到所有用户针对该目标产品的各种预设时间间隔的连续购买行为的平均发生次数，该目标产品的各种预设时间间隔及其对应的连续购买行为的平均发生次数构成该目标产品对应的平均购买时间序列。

4.根据权利要求1所述的产品购买预测方法，其特征在于，所述第二分析模型为格兰杰模型，针对一种产品对应的第二分析模型包括以下训练步骤：S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据，根据该购买数据中对应的购买时间点，分别为各个用户生成各种产品对应的购买时间序列；

S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕，在选择一个用户后，根据产品类型与预先训练的第一分析模型的映射关系，确定该用户购买的各种产品对应的第一分析模型，将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值，分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理，生成所述预设数量用户的各种产品对应的平均购买时间序列，并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中，生成各种产品对应的第二购买预测值，将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据；

S23、将样本数据分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；

S24、利用训练集中各个样本数据对所述第二分析模型进行训练，并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证；

S25、若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则通过增加S21中用户的数量，增加样本数据的数量，之后执行步骤S22。

5.一种产品购买预测方法，其特征在于，所述方法包括：

接收步骤：实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据；

提取步骤：收到带有目标用户身份标识信息和目标产品类型的分析请求后，提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；

生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；

第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值；

均值处理步骤：将所述预设数量用户的目标产品的购买时间序列进行均值处理，生成所述预设数量用户的该目标产品对应的平均购买时间序列；

第二预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该预设数量用户购买的该目标产品对应的第一分析模型，将所述平均购买时间序列输入到对应的第一分析模型中，生成该目标产品的第二购买预测值；

最终预测步骤：根据产品类型与预先训练的第二分析模型的映射关系，确定该目标用户购买的该目标产品对应的第二分析模型，将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中，生成该目标产品的最终购买预测值。

6.一种服务器，其特征在于，所述服务器包括：存储器、处理器及显示器，所述存储器上存储有产品购买预测程序，所述产品购买预测程序被所述处理器执行，可实现如下步骤：接收步骤：接收带有目标用户身份标识信息和目标产品类型的分析请求；

提取步骤：从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；

生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；

第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值；

均值处理步骤：将所述预设数量用户的目标产品的购买时间序列进行均值处理，生成所述预设数量用户的该目标产品对应的平均购买时间序列；

第二预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该预设数量用户购买的该目标产品对应的第一分析模型，将所述平均购买时间序列输入到对应的第一分析模型中，生成该目标产品的第二购买预测值；

最终预测步骤：根据产品类型与预先训练的第二分析模型的映射关系，确定该目标用户购买的该目标产品对应的第二分析模型，将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中，生成该目标产品的最终购买预测值。

7.根据权利要求6所述的服务器，其特征在于，所述第一分析模型为长短期记忆网络模型，针对一种产品对应的第一分析模型包括以下训练步骤：S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据，根据该购买数据中对应的购买时间点，分别为各个用户生成该种产品对应的购买时间序列；

S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；

S13、利用训练集中的购买时间序列对所述第一分析模型进行训练，并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证；

S14、若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则通过增加S11中用户的数量，增加购买时间序列的数量，之后执行步骤S12。

8.根据权利要求6所述的服务器，其特征在于，所述第二分析模型为格兰杰因果模型，针对一种产品对应的第二分析模型包括以下训练步骤：S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据，根据该购买数据中对应的购买时间点，分别为各个用户生成各种产品对应的购买时间序列；

S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕，在选择一个用户后，根据产品类型与预先训练的第一分析模型的映射关系，确定该用户购买的各种产品对应的第一分析模型，将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值，分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理，生成所述预设数量用户的各种产品对应的平均购买时间序列，并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中，生成各种产品对应的第二购买预测值，将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据；

S23、将样本数据分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；

S24、利用训练集中各个样本数据对所述第二分析模型进行训练，并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证；

S25、若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则通过增加S21中用户的数量，增加样本数据的数量，之后执行步骤S22。

9.一种服务器，其特征在于，所述服务器包括：存储器、处理器及显示器，所述存储器上存储有产品购买预测程序，所述产品购买预测程序被所述处理器执行，可实现如下步骤：接收步骤：实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据；

提取步骤：收到带有目标用户身份标识信息和目标产品类型的分析请求后，提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；

生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；

第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值；

均值处理步骤：将所述预设数量用户的目标产品的购买时间序列进行均值处理，生成所述预设数量用户的该目标产品对应的平均购买时间序列；

第二预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该预设数量用户购买的该目标产品对应的第一分析模型，将所述平均购买时间序列输入到对应的第一分析模型中，生成该目标产品的第二购买预测值；

最终预测步骤：根据产品类型与预先训练的第二分析模型的映射关系，确定该目标用户购买的该目标产品对应的第二分析模型，将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中，生成该目标产品的最终购买预测值。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括产品购买预测程序，所述产品购买预测程序被处理器执行时，可实现如权利要求1至5中任一项所述产品购买预测方法的步骤。