1.聚合物分子量分布的集成高斯过程回归模型方法，其特征在于包括以下具体步骤:

1)、建立及时在线高斯过程回归模型进行训练并评估：

1.1)、提取聚合物特征，以此构建模型的输入；

1.2)、建立用于在线预测的模型：采用高斯过程回归与JIT策略集成对数据进行分析预测，对于查询分布形状 其中，xq,i表示第i个查询样本，T表示矩阵的转置，yi表示第i个查询样本的标签， 表示第i个查询样本的输入，Nq表示总查询样本数；建立用于在线预测的模型，具体步骤如下：

1.2.1)、基于相似性准则，选择相关样本以在数据库S中构建相似集合Sqi；

1.2.2)、使用相似集合Sqi，构建及时在线高斯过程回归模型fJGPR(xqi)；

1.2.3)、获得预测值，然后丢弃及时在线高斯过程回归模型fJGPR(xqi)以节省存储器；

2)、集成学习：采用并行集成方法，对聚合物的分布式输出进行集成高斯过程回归建模，具体建模步骤如下：

2.1)、建立多个及时在线高斯过程回归模型，得到各测试集样本的预测输出

2.2)、重构训练测试集；

2.3)、将步骤2.2中得到的输出与步骤2.1中的输出进行累加，即为最终的输出；

2.4)、按步骤2.1、步骤2.2、步骤2.3循环进行若干次训练，得到最终模型的输出。

2.根据权利要求1所述的聚合物分子量分布的集成高斯过程回归模型方法，其特征在于所述步骤1.1中，聚合物所提取的特征包括聚合度、进口溶剂流量、单体进口流量、入口引发剂的流量、入口单体进料流中的单体浓度、溶剂进料流中溶剂的浓度、引发剂进料流中的引发剂浓度及进料温度。

3.根据权利要求1所述的聚合物分子量分布的集成高斯过程回归模型方法，其特征在于所述步骤1.2.2中，使用相关数据集Sqi，采用基于欧几里德距离的相似度距离的评价指标，对数据集之间的相似度Sqi进行降序排列，由此重新得到所需的训练集；数据集之间的相似度 在数据集之间定义如下：其中 是数据集xq,i和xk,j之间的距离相似度， 的值在0到1之间，并且当 越接近1时，欧几里德距离越小，即xq,i越接近xk,j，则Sqi的优先级越高，然后对所有 进行降序排列，由此重新得到所需的训练集，将此训练集用高斯过程回归模型进行建模，即可构建及时在线高斯过程回归模型fJGPR(xqi)。

4.根据权利要求3所述的聚合物分子量分布的集成高斯过程回归模型方法，其特征在于所述步骤1.2.3中，将xq,i输入步骤1.2.2训练好的模型中，即可获得预测值。

5.根据权利要求1所述的聚合物分子量分布的集成高斯过程回归模型方法，其特征在于所述步骤2.3中，重构训练测试集时，先得到每个样本的预测差值delta，作为新数据集的标签，输入采用原数据集的输入，即可重构完成新数据集的建立。