1.一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：包括如下步骤：S1：对多源数据进行实时地采集，获取多源数据信息，且对采集的多源数据信息进行处理，基于数据深度学习计算的方式对多源数据信息进行准确率计算，确定出多源数据参数计算结果，根据多源数据参数计算结果执行不同的多源数据保存传输策略；

S2：针对多源数据参数计算结果在准确率合格范围内的情况，则将该多源数据参数进行数据传输保存，针对多源数据参数计算结果不在准确率合格范围内的情况，则将该多源数据参数进行单独保存且不进行传输；

S3：获取准确率不合格的多源数据参数，根据多源数据参数的数据节点对多源数据参数进行分析，通过数据节点分析对多源数据参数进行数据参数评估，且将评估结果以表格的形式呈现。

2.根据权利要求1所述的一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：对采集的多源数据信息进行处理，执行以下操作：完整地提取出获取的多源数据信息；

对多源数据信息进行数据检索，按照多源数据参数评估需求，过滤掉对多源数据参数评估无用的多源数据信息，保留下对多源数据参数评估有用的多源数据信息；

对保留的多源数据信息进行分类，按照不同关键词将多源数据信息划分为多个类别，每个类别内都存储有不同的多源数据信息；

对分类的多源数据信息进行计算，基于数据深度学习计算的方式对多源数据信息进行准确率计算，基于多源数据信息的准确率计算，确定出多源数据参数计算结果。

3.根据权利要求2所述的一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：根据多源数据参数计算结果执行不同的多源数据保存传输策略，执行以下操作：获取多源数据参数计算结果；

参照存储的多源数据信息的准确率合格范围，对多源数据参数计算结果进行对比分析；

若多源数据参数计算结果在多源数据信息的准确率合格范围内，则将该多源数据参数进行数据传输保存；

若多源数据参数计算结果不在多源数据信息的准确率合格范围内，则将该多源数据参数进行单独保存且不进行传输。

4.根据权利要求3所述的一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：获取准确率不合格的多源数据参数，查找多源数据参数的数据节点，其中多源数据参数的数据节点包括数据节点名称、数据节点创建人、数据节点创建类型、数据节点修改时间、数据节点修改人、关联核对点数量、数据源、参与核对字段、排序字段、散列字段、散列位数及描述。

5.根据权利要求4所述的一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：根据多源数据参数的数据节点对多源数据参数进行分析，执行以下操作：获取多源数据参数的数据节点；

提取出多源数据参数的数据节点多源信息，且将多源数据参数的数据节点多源信息与存储的数据节点标准信息进行分析；

针对多源数据参数的数据节点多源信息中的单个信息与数据节点标准信息一致的情况，则该数据节点单个信息准确率合格；

针对多源数据参数的数据节点多源信息中的单个信息与数据节点标准信息不一致的情况，则该数据节点单个信息准确率不合格；

根据数据节点的分析结果，对多源数据参数进行数据参数评估。

6.根据权利要求5所述的一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：将多源数据参数的数据节点多源信息与存储的数据节点标准信息进行分析，执行以下操作：逐一提取出多源数据参数的数据节点多源信息中的数据节点单个信息；

将逐一提取的多个数据节点单个信息均与数据节点标准信息进行对比分析；

针对数据节点单个信息准确率不合格的情况，将不合格的数据节点单个信息提取出来，且进行统计，统一存储在准确率不合格列表内。

7.根据权利要求6所述的一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：根据数据节点分析对多源数据参数进行数据参数评估，执行以下操作：获取准确率不合格列表内的数据节点单个信息，且对数据节点单个信息进行计算，确定出数据节点内准确率不合格的数据参数项数S；

结合准确率不合格的数据参数项数S，综合多个准确率不合格的数据节点单个信息对多源数据参数进行评估；

针对不同的数据参数的数据节点情况，确定出不同的数据参数评估结果；

获取多组数据参数评估结果，且将评估结果以表格的形式呈现。

8.根据权利要求7所述的一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：结合准确率不合格的数据参数项数S对多源数据参数进行评估，执行以下操作：若0≤数据参数项数S＜3时，确定的数据参数评估结果为当前的多源数据参数风险较小；

若3≤数据参数项数S＜5时，确定的数据参数评估结果为当前的多源数据参数风险一般；

若5≤数据参数项数S时，确定的数据参数评估结果为当前的多源数据参数风险较大；

基于确定的数据参数评估结果，将评估结果以表格的形式呈现，且展现出对应地数据参数评估风险情况。

9.根据权利要求1所述的一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：所述多源数据参数评估方法还包括：实时监测单独存储的多源数据参数计算结果不在多源数据信息的准确率合格范围内的多源数据信息，并根据存储空间需求对所述多源数据信息进行选择性删除，包括：实时检测监测用于单独存储多源数据参数计算结果不在多源数据信息的准确率合格范围内的多源数据信息的存储单元，获取所述存储单元的剩余存储容量；

提取每个单位时间内确定的多源数据参数计算结果不在多源数据信息的准确率合格范围内的多源数据信息的数据量，作为参考因子；

利用所述存储单元的剩余存储容量和参考因子获取所述存储单元的剩余空间资源评价参数；其中，所述剩余空间资源评价参数通过如下公式获取：；

其中，R表示剩余空间资源评价参数；R0表示当前所述存储单元的剩余存储容量；ΔR表示参数补偿量；n表示下一个单位时间产生的多源数据信息的准确率合格范围内的多源数据信息的数据量超过上一个单位时间产生的多源数据信息的准确率合格范围内的多源数据信息的数据量的总次数；ΔCi表示第i次下一个单位时间产生的多源数据信息的准确率合格范围内的多源数据信息的数据量超过上一个单位时间产生的多源数据信息的准确率合格范围内的多源数据信息的数据量时，对应的数据量上浮差值；Smaxi表示第i次下一个单位时间产生的多源数据信息的准确率合格范围内的多源数据信息的数据量超过上一个单位时间产生的多源数据信息的准确率合格范围内的多源数据信息的数据量时，下一个单位时间产生的多源数据信息的准确率合格范围内的多源数据信息的数据量中，数据占比最大的风险等级类型对应的数据参数项数S的和值；ft表示每个风险等级类型对应的权重值，当风险等级为多源数据参数风险较小时，ft=0.26，当风险等级为多源数据参数风险一般时，ft=0.31，当风险等级为多源数据参数风险较大时，ft=0.43；m表示当前已经历的单位时间的总数量；Cj表示第j个单位时间内产生的多源数据信息的准确率合格范围内的多源数据信息的数据量；m2表示已存有数据量中，风险等级为一般的数据份数；m3表示已存有数据量中，风险等级为较大的数据份数；S2i表示第i份风险等级为一般的数据中对应的数据参数项数；

S3i表示第i份风险等级为较大的数据中对应的数据参数项数；

当所述剩余空间资源评价参数低于预设的评价参数阈值时，则对所述多源数据信息进行选择性删除。

10.根据权利要求9所述的一种基于数据深度学习计算的多源数据参数评估方法，其特征在于：对所述多源数据信息进行选择性删除，包括：提取所述存储单元的每个多源数据信息；

利用综合价值评价模型获取对所述每个多源数据信息的存储价值参数，其中，所述综合价值评价模型如下：；

其中，Rf表示存储价值参数；C1表示每一个多源数据信息的准确率合格范围内的多源数据信息对应的数据量；C表示所述存储单元中存储的总数据量；P表示所述存储单元的数据调取总次数；P0i表示第i个多源数据信息的准确率合格范围内的多源数据信息被调用的次数；

当所述存储价值参数低于预设的价值参数阈值时，则对所述存储价值参数低于预设的价值参数阈值的多源数据信息予以删除。