1.一种多数据来源的数据融合方法，其特征在于，所述方法应用于电子设备中，包括：从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集，其中，所述原始待融合数据集包括不同渠道的数据，所述训练特征集形式为：X(xi1,xi2,xi3,…,xik)，其中xi1,xi2,xi3,…,xik表示来自不同渠道的训练特征，且xi1,xi2,xi3,…,xik的特征维度相同，k表示所述训练特征集的数量；

利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，其中，所述利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，包括：初始化权重系数得到权重初始值，其中所述权重系数与所述训练特征集具有相同特征维度；

根据所述权重初始值构建原始逻辑回归模型；

构建求解所述原始逻辑回归模型损失值的损失函数；

将所述训练特征集作为所述损失函数的输入值、将所述训练特征标签集作为所述损失函数的标签值，最小化所述损失函数得到权重更新值；

将所述权重更新值替换所述原始逻辑回归模型的权重初始值，得到所述标准融合模型；

将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端；

当所述融合数据返回至所述客户端成功时，在所述客户端内将所述融合数据与所述原始待融合数据集建立一对一对应关系；

根据所述一对一对应关系存储所述融合数据与所述原始待融合数据集。

2.如权利要求1所述的多数据来源的数据融合方法，其特征在于，所述损失函数包括：其中，J(θ)表示所述损失函数，k表示所述训练特征集的数量，yis表示利用所述原始逻辑回归模型预测第s个训练特征对应的预测融合数据，yjs表示第s个训练特征所对应的训练特征标签，θ表示所述权重系数。

3.如权利要求1所述的多数据来源的数据融合方法，其特征在于，所述数据映射操作包括：采用下述计算方法进行数据归一化操作：

*

其中，x为所述标准待融合数据集内的数据，min为所述原始待融合数据集的最小值，max为所述原始待融合数据集的最大值，x为所述原始待融合数据集内的数据。

4.一种多数据来源的数据融合装置，其特征在于，所述装置包括：数据映射模块，用于从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集，其中，所述原始待融合数据集包括不同渠道的数据，所述训练特征集形式为：X(xi1,xi2,xi3,…,xik)，其中xi1,xi2,xi3,…,xik表示来自不同渠道的训练特征，且xi1,xi2,xi3,…,xik的特征维度相同，k表示所述训练特征集的数量；

模型训练模块，用于利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，其中，所述利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，包括：初始化权重系数得到权重初始值，其中所述权重系数与所述训练特征集具有相同特征维度；

根据所述权重初始值构建原始逻辑回归模型；

构建求解所述原始逻辑回归模型损失值的损失函数；

将所述训练特征集作为所述损失函数的输入值、将所述训练特征标签集作为所述损失函数的标签值，最小化所述损失函数得到权重更新值；

将所述权重更新值替换所述原始逻辑回归模型的权重初始值，得到所述标准融合模型；

数据融合模块，用于将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端中；

数据存储模块：用于当所述融合数据返回至所述客户端成功时，在所述客户端内将所述融合数据与所述原始待融合数据集建立一对一对应关系，根据所述一对一对应关系存储所述融合数据与所述原始待融合数据集。

5.如权利要求4所述的多数据来源的数据融合装置，其特征在于，所述损失函数包括：其中，J(θ)表示所述损失函数，k表示所述训练特征集的数量，yis表示使用所述原始逻辑回归模型预测第s个训练特征所对应的预测融合数据，yjs表示第s个训练特征所对应的训练特征标签，θ表示所述权重系数。

6.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至3中任一所述的多数据来源的数据融合方法。

7.一种计算机可读存储介质，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3中任一所述的多数据来源的数据融合方法。