1.一种基于大数据的产品营销管理方法，其特征在于，包括以下步骤：S1、收集产品历史营销数据构建样本集，并对样本集中的历史营销数据进行预处理，得到处理后的历史营销数据；

S2、通过量纲分析法分析处理后的历史营销数据，并对分析后的历史营销数据进行加权处理，得到加权后的历史营销数据；

S3、对于加权后的历史营销数据通过构建决策树算法模型的方式进行分类，得到分类后的历史营销数据；

S4、对于分类后的历史营销数据，通过模糊C均值聚类进行验证，并对验证通过的聚类结果进行输出；

S5、实时收集产品的实时营销数据，将实时营销数据和历史营销数据的聚类结果输入卷积神经网络，并通过卷积神经网络分别对输入的历史营销数据的聚类结果和实时营销数据进行特征提取，得到提取后的历史营销数据特征数据和实时营销特征数据；

S6、将卷积神经网络提取的历史营销数据特征数据和实时营销特征数据进行对比，并基于提取特征的对比结果，实时调整产品参数；

所述对于加权后的历史营销数据通过构建决策树算法模型的方式进行分类包括以下步骤：S31、对收集到的样本集中的样本进行有放回随机采样，选择N个样本训练一个决策树，并将选择的N个样本作为根节点；

S32、从根节点开始，计算节点对应的数据集中所有特征的信息增益，选择信息增益值最大的特征作为数据集的划分特征；

S33、对该特征的对应的数据集划分建立子树；

S34、再对子树递归地调用步骤S32和步骤S33，构建决策树；

S35、直到数据集特征的信息增益达到某一条件或者所有的样本属于同一种类型，得到最终的决策树；

所述计算节点对应的数据集中所有特征的信息增益包括以下步骤：设定历史营销数据的概率分布为：

；

其中，P为概率分布函数， 为第a个样本的真实值的概率， 为第a个样本的真实值，G为节点中的样本集合，N表示样本数量；

则它的信息熵计算公式为：

；（6）

；（7）

其中，E为信息熵函数， 为划分后节点中的样本集合， 为划分后节点中的样本集合中第a个样本；

信息增益计算公式为：

；（8）

其中， 为信息增益函数，b为此次划分中使用的属性；

所述对于分类后的历史营销数据，通过模糊C均值聚类进行验证包括以下步骤：设定含有m组营销数据的数据集：Y=[ ]， 表示数据集中第m组营销数据，设定数据集中每组营销数据包括 个属性，设定 = =[ ]， 表示数据集中第 组特征向量， 表示是 的第 个属性；

S41、设置聚类数目k；

S42、初始化模糊指标z，迭代允许的误差阈值γ、迭代次数和隶属度矩阵U；

S43、从分类后的历史营销数据随机选取k个样本作为初始聚类中心，设定k个类的聚类中心集合为R=[r1，r2，...rk]，rk表示第k个聚类中心；

S44、根据公式计算更新隶属度矩阵U，并更新聚类中心；

；（9）

；（10）

其中， 为隶属度矩阵U与聚类中心集合R的目标函数， 为目标函数， 为样本点 与聚类中心 的隶属度，z为模糊指标， 为样本点 与聚类中心 的距离；

通过使用拉格朗日乘数法对目标函数进行优化，得到更新后的隶属度矩阵U和聚类中心；

；（11）

；（12）

其中， 为样本点 与第m个聚类中心的距离， 为更新后的第β个聚类中心；

S45、通过比较目标函数 中的距离大小，当目标函数 中距离＜误差阈值γ时，迭代停止；

S46、当迭代停止时，输出聚类结果，聚类结果包括聚类后记载为真实值的各类样本营销数据；

当数据集中存在不属于任一聚类的数据时，执行k=k+1，增加设置的聚类数目k，直至设置的聚类数目k不再增加，输出聚类结果；

所述实时收集产品的实时营销数据，将实时营销数据和历史营销数据的聚类结果输入卷积神经网络，并通过卷积神经网络分别对输入的历史营销数据的聚类结果和实时营销数据进行特征提取，得到提取后的历史营销数据特征数据和实时营销特征数据包括以下步骤：将实时营销数据和历史营销数据的聚类结果输入卷积神经网络后，卷积层按照设置的步长通过卷积核在历史营销数据的聚类结果和实时收集产品的实时营销数据上移动，并在每一步的相应区域上与该区域的特征值进行乘积累加，以此实现对每组营销数据的特征提取；

卷积计算公式如下所示：

；（13）

其中， 表示输入聚类后记载为真实值的各类样本营销数据， 表示对应卷积核的权值，e表示偏移量， 表示输出后记载为真实值的各类样本营销数据；

对于提取的营销数据的特征，通过池化层对其进行特征降维，保留大部分输入特征中的重要信息，并最大程度上为后续的卷积层和全连接层降低输入特征的分辨率，降低计算量；

在神经网络中，上一层的输出会作为下一层的输入，并通过不断堆叠形成卷积神经网络；

在将数据输入到下层的过程中必须经过激活函数的处理；

设定该输入为聚类后记载为真实值的各类样本营销数据 (i=1,2,...,n)，每个输入聚类后记载为真实值的各类样本营销数据 相对应的输入权值为 ，e为偏移量，将这些聚类结果中样本的真实值输入到卷积神经网络后得到的输出结果为：；（14）

其中， 为输出结果， 为对应的激活函数；

经过不断堆叠的卷积和池化后将数据传入全连接层；

通过全连接层将特征数据进行展开组合，得到一个特征数据。

2.根据权利要求1所述的一种基于大数据的产品营销管理方法，其特征在于，所述收集产品历史营销数据构建样本集，并对样本集中的历史营销数据进行预处理包括以下步骤：S11、获取产品号以及产品营销日志；

将产品号作为产品唯一标识信息；

S12、基于产品唯一标识信息提取产品营销日志中的历史营销数据；

所述历史营销数据设定为 ；

其中， 表示第n项产品， 为产品的历史营销数据集合；

每项产品包括产品参数数据，产品参数数据集合为 ；

其中，H为产品参数数据集合， 表示产品参数数据集合中的产品生产日期数据， 表示产品参数数据集合中的产品价格数据， 表示产品参数数据集合中的产品浏览数据，表示产品参数数据集合中的产品售卖数据， 表示产品参数数据集合中的产品库存数据；

S13、对收集到的产品营销日志中的历史营销数据进行预处理。

3.根据权利要求2所述的一种基于大数据的产品营销管理方法，其特征在于，所述对收集到的产品营销日志中的历史营销数据进行预处理包括以下步骤：S131、处理缺失数据；

对于产品中的产品参数数据存在缺失的情况，通过计算缺失数据相邻两项数据平均值作为估计值进行填补；

S132、数据平滑处理；

滑动平均法步骤：

对于收集到的产品历史营销数据观测值和真实值之间关系如下：；（1）

其中， 表示为t时刻的真实值， 表示为t时刻的观测值， 表示为t时刻的噪声，噪声为偏离正常数据范围的异常值；

为了降低噪声的影响，将相邻时刻的观测值相加后平均，公式如下：；（2）

其中， 表示为t时刻的滤波结果， 表示t‑i时刻的观测值， 表示t+i时刻的观测值，n表示滑动窗口半径；

将公式（1）代入公式（2）可得：

； （3）

其中， 表示t‑i时刻的实际值， 表示t‑i时刻的噪声， 表示t+i时刻的噪声，表示t+i时刻的实际值；

设定噪声的均值为0，可得：

；（4）

将计算后的真实值作为t时刻的真实值。

4.根据权利要求1所述的一种基于大数据的产品营销管理方法，其特征在于，所述通过量纲分析法分析处理后的历史营销数据，并对分析后的历史营销数据进行加权处理包括以下步骤：通过使用数据归一化方法，去除数据中的量纲；

转换函数如下：

；（5）

其中， 为归一化后无量纲的历史营销数据， 为历史营销数据中的最小值，为历史营销数据中的最大值；

设定产品参数数据中各项数据权值；

设定产品生产日期数据权值为0.9，产品价格数据权值为1.5，产品浏览数据权值为

0.75，产品售卖数据权值为1.2，产品库存数据权值为1.8。

5.根据权利要求1所述的一种基于大数据的产品营销管理方法，其特征在于，所述将神经网络提取的历史营销数据特征数据和实时营销特征数据进行对比，并基于提取特征的对比结果，实时调整产品参数包括以下步骤：当实时营销特征数据小于历史营销数据特征数据，对产品进行降价处理；

当实时营销特征数据大于历史营销数据特征数据，对产品进行加价处理。

6.一种实现权利要求1‑5任一项所述的基于大数据的产品营销管理方法的系统，其特征在于，包括数据库、数据采集模块、产品营销管理模块、数据分析处理模块以及展示平台；

所述数据采集模块用于采集产品营销数据，并将采集到的产品营销数据传输给数据库；

所述数据库用于保存数据采集模块采集到的产品营销数据；

所述数据分析处理模块用于提取数据库中的产品营销数据并进行分析处理，并将分析处理结果传输给产品营销管理模块；

所述产品营销管理模块基于接收到的分析处理结果对产品价格进行修改，并将修改后的产品价格传输至展示平台；

所述展示平台用于实时显示产品价格。