1.基于卷积神经网络的中小微企业数据建模方法，其特征在于，所述方法包括：(1)采集中小微企业相关数据；

(2)对采集的数据进行预处理；

(3)构建卷积神经网络模型；

(4)对构建的卷积神经网络模型进行训练和测试，优化和确定卷积神经网络模型的参数。

2.根据权利要求1所述的方法，其特征在于，步骤(2)中的所述预处理包括缺失值处理和数据标准化处理。

3.根据权利要求1所述的方法，其特征在于，所述缺失值处理为对下载的数据集进行缺失值填充，即用该指标序列的全局平均值填充当前缺失值，获得一个完整数据集；所述数据标准化处理采用z‑score标准化处理。

4.根据权利要求1所述的方法，其特征在于，步骤(4)所述对构建的卷积神经网络模型进行训练和测试的方法为：对采集的企业数据进行随机划分，分为训练集和测试集，以训练集数据为输入，对卷积神经网络模型进行迭代训练，然后以测试集对模型进行测试，并根据测试结果进行参数调整。

5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括两个并行的子卷积神经网络，分别用于接收时间序列特征的数据和非时间序列特征的数据。

6.根据权利要求5所述的方法，其特征在于，对于接收时间序列特征数据的子卷积神经网络：第一层卷积层使用1×3和3×1两个卷积核，提取不同指标间的相关特征和同一指标的时序特征，然后通过2×2的最大池化层，再接一层只包括3×3单卷积核的卷积层，来对特征进一步提取，最后再经过一层2×2最大池化层进行降采样；

对于非时间序列特征数据的子卷积神经网络：只使用了一层1×3的卷积核，之后使用一层2×2的池化层来进行特征提取；

两个子卷积神经网络的输出矩阵最后均经过flatten平铺，把多维的输入一维化，合并后通过一层全连接层，全连接层之后的输出层选择softmax函数作为输出分类器。

7.根据权利要求1所述的方法，其特征在于，对卷积神经网络模型进行优化具体采用：目标损失函数为“binary‑crossentropy”，优化器为Adam，衡量模型好坏的标准是精度accuracy，之后在训练模型过程中，validation‑split取值0.2，每个epoch前随机打乱输入样本的顺序，每批训练的数据量大小为10，训练50次。

8.一种基于卷积神经网络的中小微企业数据处理系统，其特征在于，所述系统包括：至少一个存储单元；

至少一个处理单元；

所述存储单元存储有至少一条指令；所述指令由至少一个处理单元加载并执行如下步骤：

采集中小微企业相关数据；

对采集的数据进行预处理；

构建卷积神经网络模型；

对构建的卷积神经网络模型进行训练和测试，优化和确定卷积神经网络模型的参数。

9.根据权利要求8所述的系统，其特征在于，所述处理单元包括：数据采集子单元：用于采集中小微企业相关数据；

数据预处理子单元：对采集的数据进行预处理；

模型构建子单元：用于构建卷积神经网络模型；

训练子单元：用于对构建的卷积神经网络模型进行训练和测试。