1.一种智能手环运动监测数据分析方法，其特征在于，该方法包括以下步骤：获取智能手环监测到的不同种类的历史运动数据；

对不同种类的历史运动数据进行融合降维，得到降维运动数据；根据降维运动数据的变化特征，对历史运动数据进行分割，得到运动周期段；

根据智能手环不同种类的历史运动数据的运动周期段的关联性，确定相关系数构建得到相关图时不同历史运动数据所处运动周期段的相关系数权重；

将相关系数权重作为计算相关系数时的权重，得到预测模型阶数和对应的ARIMA预测模型，将智能手环监测到的历史运动数据输入ARIMA预测模型，得到智能手环的用户的预测数据；

所述根据降维运动数据的变化特征，对历史运动数据进行分割，得到运动周期段，包括：对所述降维运动数据进行拟合，得到连续函数段；根据连续函数段的变化特征，确定在连续函数段上历史运动数据所对应的离散点的划分必要性；基于所述划分必要性，确定出分割点，对历史运动数据进行分割，得到运动周期段；

所述根据智能手环不同种类的历史运动数据的运动周期段的关联性，确定相关系数构建得到相关图时不同历史运动数据所处运动周期段的相关系数权重，包括：所述相关系数权重的计算公式为：

；

其中， 为第v个运动周期段内第t个历史运动数据的相关系数权重； 为第v个运动周期段内第t个历史运动数据的数据平稳维度的权重值； 为第v个运动周期段内第t个历史运动数据的数据关联性维度的权重值；为预设权重；

所述数据平稳维度的权重值的计算公式为：

；

其中， 为第v个运动周期段内第t个历史运动数据的数据平稳维度的权重值；为预设数据邻域范围内运动周期段的数量；为第v个运动周期段内历史运动数据的数量；

为第v个运动周期段内第t个历史运动数据的对应的划分必要性； 为第v个运动周期段的预设数据邻域范围内第s个运动周期段的第t个历史运动数据； 为第v个运动周期段的历史运动数据的均值；

所述数据关联性维度的权重值的计算公式为：

；

其中， 为第v个运动周期段内第t个历史运动数据的数据关联性维度的权重值；

为以自然常数e为底数的指数函数； 为符号函数； 为除当前维度外的第c个维度的第v个运动周期段内第t‑j个历史运动数据； 为除当前维度外的第c个维度的第v个运动周期段内第t‑j‑1个历史运动数据； 为当前维度下第v个运动周期段内第t‑j个历史运动数据；为符号函数计算的次数；为第v个运动周期段内历史运动数据的数量；为取绝对值符号。

2.根据权利要求1所述的一种智能手环运动监测数据分析方法，其特征在于，所述根据连续函数段的变化特征，确定在连续函数段上历史运动数据所对应的离散点的划分必要性，包括：所述划分必要性的计算公式为：

；

其中， 为连续函数段上第u个降维运动数据所对应的离散点的划分必要性；为降维运动数据所对应的离散点的预设邻域内离散点的数量； 为连续函数段上第u个降维运动数据所对应的离散点的预设邻域内第i个离散点的切线斜率值； 为连续函数段上第u个降维运动数据所对应的离散点的预设邻域内第i个离散点对应的数值； 连续函数段上第u个降维运动数据所对应的离散点的预设邻域内所有离散点的数值均值；x为连续函数段上第u个降维运动数据所对应的离散点的预设邻域内第i个离散点，在连续函数段上的次序值；Norm为归一化函数；为取绝对值符号。

3.根据权利要求1所述的一种智能手环运动监测数据分析方法，其特征在于，所述基于所述划分必要性，确定出分割点，对历史运动数据进行分割，得到运动周期段，包括：将对应的归一化后的划分必要性大于或等于预设划分阈值的离散点，作为分割点；

将得到的分割点对应的时间，作为分割时间；基于分割时间，对不同种类的历史运动数据进行分割，得到运动周期段。

4.根据权利要求1所述的一种智能手环运动监测数据分析方法，其特征在于，所述对不同种类的历史运动数据进行融合降维，得到降维运动数据，包括：每种历史运动数据对应一个维度，利用PCA主成分分析算法，对不同维度的历史运动数据进行融合降维，得到降维运动数据。

5.根据权利要求1所述的一种智能手环运动监测数据分析方法，其特征在于，所述对所述降维运动数据进行拟合，得到连续函数段，包括：使用最小二乘法，对降维运动数据进行拟合，得到连续函数段。