1.一种案件相似度确定方法，其特征在于，包括：

根据标准指标库从待处理案件的案件信息中抽取线索数据和轨迹数据，其中，所述标准指标库包括多种类型的案件的标准指标，所述标准指标是针对线索数据和轨迹数据分别设置的，所述轨迹数据包括一段时间内被动或者主动的以空间轨迹的形式记录人或物的移动路线，所述轨迹数据还包括与轨迹相关的数据；

将抽取得到的线索数据和轨迹数据输入相似判断模型，以得到所述待处理案件与案件数据库中各个历史案件的案件相似度，其中，所述相似判断模型是基于多种类型的历史案件训练得到的，用于计算输入的待处理案件与各个历史案件的案件相似度；

其中，抽取数据时，根据所述案件信息中是否涉及机动车或非机动车，调整抽取的所述线索数据对应标准指标和所述轨迹数据对应标准指标的比例。

2.根据权利要求1所述的案件相似度确定方法，其特征在于，所述多种类型的历史案件包括正样本和负样本，其中，所述正样本中历史案件的线索数据和轨迹数据与所述历史案件的案件信息相匹配，所述负样本中历史案件的线索数据和/或轨迹数据与所述历史案件的案件信息不匹配。

3.根据权利要求1或2所述的案件相似度确定方法，其特征在于，所述相似判断模型为DeepFM网络模型，所述DeepFM网络模型包括：输入层，用于接收多个特征向量，其中，所述多个特征向量与所述标准指标库包括的标准指标相对应，且所述多个特征向量中除所述线索数据和轨迹数据对应的特征向量外，剩余的特征向量的数值为0；

稠密层，与所述输入层耦接，所述稠密层用于对所述多个特征向量进行降维处理以得到多个特征字段；

低阶特征提取层，与所述稠密层耦接，所述低阶特征提取层用于提取所述多个特征字段的低阶特征；

高阶特征提取层，与所述稠密层耦接，所述高阶特征提取层用于提取所述多个特征字段的高阶特征；

输出层，分别与所述低阶特征提取层和高阶特征提取层耦接，所述输出层用于根据所述多个特征字段的低阶特征和高阶特征计算所述待处理案件与所述各个历史案件的案件相似度。

4.根据权利要求3所述的案件相似度确定方法，其特征在于，所述低阶特征提取层为因子分解机。

5.根据权利要求3所述的案件相似度确定方法，其特征在于，所述高阶特征提取层为神经网络。

6.根据权利要求1所述的案件相似度确定方法，其特征在于，所述案件数据库中的历史案件属于多种不同的类型。

7.根据权利要求1所述的案件相似度确定方法，其特征在于，从待处理案件的案件信息中抽取线索数据和轨迹数据时，部分标准指标对应的数据值为空。

8.根据权利要求1所述的案件相似度确定方法，其特征在于，还包括：

将所述相似判断模型输出的各个案件相似度中数值最大的案件相似度对应的历史案件，确定为所述待处理案件的串并案。

9.根据权利要求1所述的案件相似度确定方法，其特征在于，还包括：

将所述相似判断模型输出的各个案件相似度中大于预设阈值的案件相似度对应的历史案件，确定为所述待处理案件的串并案。

10.根据权利要求1所述的案件相似度确定方法，其特征在于，还包括：

若所述相似判断模型输出的各个案件相似度中数值最大的案件相似度小于预设阈值，或者，所述各个案件相似度中存在多个数值相同的案件相似度，则将所述线索数据和轨迹数据重新输入所述相似判断模型，以得到更新的所述待处理案件与至少一个历史案件的案件相似度。

11.一种案件相似度确定装置，其特征在于，包括：

抽取模块，用于根据标准指标库从待处理案件的案件信息中抽取线索数据和轨迹数据，其中，所述标准指标库包括多种类型的案件的标准指标，所述标准指标是针对线索数据和轨迹数据分别设置的，所述轨迹数据包括一段时间内被动或者主动的以空间轨迹的形式记录人或物的移动路线，所述轨迹数据还包括与轨迹相关的数据；

案件相似度计算模块，用于将抽取得到的线索数据和轨迹数据输入相似判断模型，以得到所述待处理案件与案件数据库中各个历史案件的案件相似度，其中，所述相似判断模型是基于多种类型的历史案件训练得到的，用于计算输入的待处理案件与各个历史案件的案件相似度；

其中，所述抽取模块抽取数据时，根据所述案件信息中是否涉及机动车或非机动车，调整抽取的所述线索数据对应标准指标和所述轨迹数据对应标准指标的比例。

12.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至10任一项所述方法的步骤。

13.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至10任一项所述方法的步骤。