1.一种用于商业智能服务平台的在线数据处理方法，其特征在于：包括，通过分布式采集网关采集商业智能服务平台的原始数据流，对所述原始数据进行预处理，生成规范化数据集；

利用深度卷积神经网络模型从所述规范化数据集中提取时空特征，并结合小波变换分解所述时空特征的多尺度成分，形成特征组合矩阵；

基于图注意力网络对所述特征组合矩阵构建动态关联图谱，并采用边缘概率计算模型计算图谱节点间的关联强度，生成关联权重矩阵；

对所述关联权重矩阵引入自适应学习率机制，结合指数滑动平均法对权重参数进行动态更新，建立特征传播网络；

将增量业务数据输入所述特征传播网络，通过集成学习算法预测数据变化趋势，输出数据分析结果，并反馈至商业智能服务平台。

2.如权利要求1所述的用于商业智能服务平台的在线数据处理方法，其特征在于：将增量业务数据输入所述特征传播网络，通过集成学习算法预测数据变化趋势，输出数据分析结果，并反馈至商业智能服务平台，包括：对增量业务数据进行预处理，并将预处理后的增量业务数据映射至特征传播网络的输入层节点，提取和融合特征信息，生成高维特征数据；

根据所述高维特征数据构建若干子模型，其中所述子模型包括梯度提升树模型和随机森林模型；

基于所述子模型的输出结果计算综合预测分数，具体公式如下：

其中，Sfinal为综合预测分数， 为梯度提升树模型权重， 为随机森林模型权重，M1为梯度提升树数量，M2为随机森林数量，Gi为第i个梯度提升树的预测结果，yx为第i个梯度提升树的置信度，Rj为第j个随机森林的预测结果，zj为第j个随机森林的置信度，δ为子模型的偏差修正项；

根据所述综合预测分数输出数据分析结果，并传输至商业智能服务平台的数据展示模块，调整业务参数和策略配置，其中所述数据分析结果包括数据变化趋势图、异常波动检测结果和关键指标预警信息。

3.如权利要求2所述的用于商业智能服务平台的在线数据处理方法，其特征在于：所述综合预测分数采用加权投票方式融合各子模型的预测结果；所述特征传播网络的建立方法为，对关联权重矩阵设定初始学习率参数，基于权重梯度变化趋势计算自适应调节因子，其中所述自适应调节因子是随权重梯度变化动态调整；

在每轮迭代过程中，采用指数滑动平均法计算所述关联权重矩阵的历史累积权重；

基于所述自适应调节因子和所述历史累积权重的乘积更新当前权重参数，形成优化的权重系数；

将所述权重系数输入至特征传播层，构建具有动态权重优化能力的特征传播网络。

4.如权利要求3所述的用于商业智能服务平台的在线数据处理方法，其特征在于：所述关联权重矩阵的生成方法为，根据特征组合矩阵在图注意力网络中构建初始节点集合，并将所述初始节点集合输入至多头注意力层，计算节点间注意力系数，其中所述初始节点集合中的节点表示特征向量；

根据所述注意力系数构建节点动态连接关系，并对所述动态连接关系采用非线性激活函数，生成动态关联图谱；

采用边缘概率计算模型获取所述动态关联图谱中节点对之间的转移概率，其中所述转移概率表示节点间的关联程度；

根据所述转移概率对节点对进行加权计算，生成关联权重矩阵。

5.如权利要求4所述的用于商业智能服务平台的在线数据处理方法，其特征在于：所述特征组合矩阵的形成方法为，将规范化数据集按照时间序列进行分段处理，构建滑动时间窗口，并对每个时间窗口内的数据通过深度卷积神经网络模型进行提取时空特征；

选择小波基函数对所述时空特征进行离散小波变换，将特征信号分解为不同频段的子成分，计算各频段子成分的能量分布特征，提取特征系数；

基于所述特征系数，构建多尺度特征描述符，并将所述多尺度特征描述符和变换后的时空特征进行融合；

采用特征映射算法将不同来源的特征投影至特征空间，生成特征组合矩阵。

6.如权利要求5所述的用于商业智能服务平台的在线数据处理方法，其特征在于：所述特征组合矩阵的具体公式如下：其中，Mcombined为特征组合矩阵，B为特征维度，γi为第i维特征权重，Fi为第i维特征值，μi为第i维特征均值，τi为第i维特征的标准差，λ为平滑因子，K为采样窗口数，ωk为第k个窗口权重，Hk为第k个窗口的熵值，tanh(Δ)为特征差异度，Edist为能量分布特征值，具体公式如下：其中，Edist为能量分布特征值，J为小波分解层数，βj为第j层的能量权重系数，Wj为第j层小波系数，N为频率采样点数量，P(f)为频率f处的功率谱密度，ΔE为相邻频带能量差值，S为频谱熵。

7.如权利要求4或者5所述的用于商业智能服务平台的在线数据处理方法，其特征在于：所述深度卷积神经网络模型包括卷积层、池化层和全连接层；所述卷积层采用不同尺度的卷积核提取局部特征；所述池化层通过最大池化操作降低特征维度；所述全连接层为整合各层特征输出；所述规范化数据集的形成方法为，通过分布式采集网关从商业智能服务平台的各个业务系统接口采集原始数据流；

基于预设数据校验规则，对所述原始数据流进行格式校验和完整性检查，剔除不符合规范的数据记录；

采用数据清洗算法对所述原始数据流中的异常值、重复值和缺失值进行处理；

按照数据结构标准对清洗后的数据进行字段映射和格式转换，生成标准化的数据记录；

将所述数据记录按照业务类型进行分类整理，形成规范化数据集，并通过数据索引机制提供高效的数据访问服务，同时设置数据版本控制机制，记录数据的处理历程。

8.一种用于商业智能服务平台的在线数据处理系统，基于权利要求1～7任一所述的用于商业智能服务平台的在线数据处理方法，其特征在于：还包括，数据采集模块，用于通过分布式采集网关采集商业智能服务平台的原始数据流，对所述原始数据进行预处理，生成规范化数据集；

特征提取模块，用于利用深度卷积神经网络模型从所述规范化数据集中提取时空特征，并结合小波变换分解所述时空特征的多尺度成分，形成特征组合矩阵；

动态关联图谱构建模块，基于图注意力网络对所述特征组合矩阵构建动态关联图谱，并采用边缘概率计算模型计算图谱节点间的关联强度，生成关联权重矩阵；

建立模块，用于对所述关联权重矩阵引入自适应学习率机制，结合指数滑动平均法对权重参数进行动态更新，建立特征传播网络；

反馈模块，用于将增量业务数据输入所述特征传播网络，通过集成学习算法预测数据变化趋势，输出数据分析结果，并反馈至商业智能服务平台。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的用于商业智能服务平台的在线数据处理方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的用于商业智能服务平台的在线数据处理方法的步骤。