1.一种智能化物流线路费用预测系统，其特征在于，所述系统包括：

地理分析设备，用于获取当前物流路线的沿途各处的定位数据，并基于当前物流路线的沿途各处的定位数据确定与所述当前物流路线存在路线交汇的各条邻近物流路线；

同时检测设备，用于将当天未来时间分段作为目标时间分段，将所述当前物流路线在当天之前各天与所述目标时间分段处于同一时间分段的各个过往时间分段分别对应的各份过往物流信息作为各份过往同时信息输出；

多次学习设备，用于对前馈神经网络执行多次学习动作，以获得经过多次学习动作后的前馈神经网络并作为前馈神经网络模型输出，所述前馈神经网络的学习动作的次数与各条邻近物流路线的条数成正比；

模型应用器件，分别与所述多次学习设备、所述同时检测设备以及所述地理分析设备连接，用于将当前物流路线的路线里程、各条邻近物流路线的条数以及各份过往同时信息同步输入到所述前馈神经网络模型，并执行所述前馈神经网络模型，以获得所述前馈神经网络模型输出的当前物流路线在当天未来时间分段内的物流件数和物流费用总额；

信息传输器件，与所述模型应用器件连接，用于将所述前馈神经网络模型输出的当前物流路线在当天未来时间分段内的物流件数和物流费用总额与当天未来时间分段一并无线传输到远端的物流管理服务器；

其中，将当天未来时间分段作为目标时间分段，将所述当前物流路线在当天之前各天与所述目标时间分段处于同一时间分段的各个过往时间分段分别对应的各份过往物流信息作为各份过往同时信息输出包括：所述当前物流路线在当天之前某一天与所述目标时间分段处于同一时间分段的过往时间分段对应的过往物流信息为所述当前物流路线在当天之前某一天与所述目标时间分段处于同一时间分段的过往时间分段内的物流件数和物流费用总额；

其中，将当天未来时间分段作为目标时间分段，将所述当前物流路线在当天之前各天与所述目标时间分段处于同一时间分段的各个过往时间分段分别对应的各份过往物流信息作为各份过往同时信息输出包括：当天之前各天的天数与所述当前物流路线的路线里程正向关联；

其中，采用数值映射公式表示当天之前各天的天数与所述当前物流路线的路线里程正向关联的数值映射关系；

其中，获取当前物流路线的沿途各处的定位数据，并基于当前物流路线的沿途各处的定位数据确定与所述当前物流路线存在路线交汇的各条邻近物流路线包括：在某一条物流路线沿途各处的定位数据与当前物流路线的沿途各处的定位数据存在数值匹配的定位数据时，判断所述某一条物流路线属于与所述当前物流路线存在路线交汇的单条邻近物流路线；

获取当前物流路线的沿途各处的定位数据，并基于当前物流路线的沿途各处的定位数据确定与所述当前物流路线存在路线交汇的各条邻近物流路线还包括：当前物流路线的沿途各处的定位数据为当前物流路线的沿途各处的导航定位数据。

2.如权利要求1所述的智能化物流线路费用预测系统，其特征在于，所述系统还包括：

同步驱动器件，设置在所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的附近且分别与所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备连接；

其中，同步驱动器件，设置在所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的附近且分别与所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备连接包括：所述同步驱动器件用于分别实现所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的两两设备的同步驱动控制。

3.如权利要求1所述的智能化物流线路费用预测系统，其特征在于，所述系统还包括：

电路供应器件，设置在所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的附近且分别与所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备连接；

其中，电路供应器件，设置在所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的附近且分别与所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备连接包括：所述电路供应器件用于分别为所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备提供各自所需要的工作电压数值。

4.如权利要求1‑3任一所述的智能化物流线路费用预测系统，其特征在于：

采用ASIC芯片对所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的输出数据执行图像数据处理以获得所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备分别对应的输出处理数据。

5.如权利要求4所述的智能化物流线路费用预测系统，其特征在于：

采用ASIC芯片对所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的输出数据执行图像数据处理以获得所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备分别对应的输出处理数据包括：对所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的输出数据执行最大值滤波处理以获得所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备分别对应的输出处理数据。

6.如权利要求4所述的智能化物流线路费用预测系统，其特征在于：

采用ASIC芯片对所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的输出数据执行图像数据处理以获得所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备分别对应的输出处理数据包括：对所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的输出数据执行最小值滤波处理以获得所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备分别对应的输出处理数据。

7.如权利要求4所述的智能化物流线路费用预测系统，其特征在于：

采用ASIC芯片对所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的输出数据执行图像数据处理以获得所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备分别对应的输出处理数据包括：对所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的输出数据执行中值滤波处理以获得所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备分别对应的输出处理数据。

8.如权利要求4所述的智能化物流线路费用预测系统，其特征在于：

采用ASIC芯片对所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的输出数据执行图像数据处理以获得所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备分别对应的输出处理数据包括：对所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备的输出数据执行边沿锐化处理以获得所述模型应用器件、所述多次学习设备、所述同时检测设备以及所述地理分析设备分别对应的输出处理数据。