1.一种卡顿分析方法，其特征在于，所述方法包括：接收客户端上传的手势轨迹记录；

将所述手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果，其中，所述卡顿分析结果包括所述手势轨迹记录对应各卡顿场景的概率；

基于所述卡顿分析结果得到当前卡顿场景。

2.根据权利要求1所述的方法，其中，所述卡顿分析模型是通过对预设的神经网络进行训练得到的。

3.根据权利要求2所述的方法，其中，所述卡顿分析模型是通过以下训练步骤训练得到的：将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本；

利用机器学习方法，基于所述训练样本、预设的分类损失函数和反向传播算法对所述神经网络进行训练，得到卡顿分析模型。

4.根据权利要求1所述的方法，其中，基于所述卡顿分析结果得到当前卡顿场景包括：确定所述手势轨迹记录不属于卡顿场景的概率是否为所述卡顿分析结果的最大概率；

若不是最大概率，则按照概率的数值大小，从所述手势轨迹对应各卡顿场景的概率中选取概率，并将选取出的概率对应的卡顿场景作为当前卡顿场景。

5.根据权利要求4所述的方法，其中，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：则按照数值由大到小的顺序，将所述手势轨迹记录对应各卡顿场景的概率进行排序，得到概率序列；

从所述概率序列的首部开始选取预置数目个概率。

6.根据权利要求4所述的方法，其中，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：从所述手势轨迹记录对应各卡顿场景的概率中选取不小于概率阈值的概率。

7.根据权利要求1所述的方法，其中，所述卡顿场景包括：弱网卡顿场景、CPU密集场景、APP闪退场景。

8.根据权利要求3所述的方法，其中，所述将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本包括：构造模拟卡顿场景；

收集内测用户在模拟卡顿场景中的手势轨迹记录；

为所收集的手势轨迹记录标记对应卡顿场景的标签。

9.一种卡顿分析系统，其特征在于，所述系统包括：接收单元，用于接收客户端上传的手势轨迹记录；

分析单元，用于将所述手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果，其中，所述卡顿分析结果包括所述手势轨迹记录对应各卡顿场景的概率；

输出单元，用于基于所述卡顿分析结果得到当前卡顿场景。

10.根据权利要求9所述的系统，其中，所述卡顿分析模型是通过对预设的神经网络进行训练得到的。

11.根据权利要求10所述的系统，其中，所述系统还包括训练单元，用于将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本；

利用机器学习方法，基于所述训练样本、预设的分类损失函数和反向传播算法对所述神经网络进行训练，得到卡顿分析模型。

12.根据权利要求9所述的系统，其中，所述输出单元包括：确定子单元，用于确定所述手势轨迹记录不属于卡顿场景的概率是否为所述卡顿分析结果的最大概率；

生成子单元，用于若不是最大概率，则按照概率的数值大小，从所述手势轨迹对应各卡顿场景的概率中选取概率，并将选取出的概率对应的卡顿场景作为当前卡顿场景。

13.根据权利要求12所述的系统，其中，所述生成子单元具体用于：则按照数值由大到小的顺序，将所述手势轨迹记录对应各卡顿场景的概率进行排序，得到概率序列；

从所述概率序列的首部开始选取预置数目个概率。

14.根据权利要求12所述的系统，其中，所述生成子单元具体用于：从所述手势轨迹记录对应各卡顿场景的概率中选取不小于概率阈值的概率。

15.根据权利要求9所述的系统，其中，所述卡顿场景包括：弱网卡顿场景、CPU密集场景、APP闪退场景。

16.根据权利要求11所述的方法，其中，所述训练子单元具体用于：构造模拟卡顿场景；

收集内测用户在模拟卡顿场景中的手势轨迹记录；

为所收集的手势轨迹记录标记对应卡顿场景的标签。

17.一种计算机设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1～8中任一项所述的方法。

18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。