1.一种基于人工智能学习的数据存储方法，其特征在于，包括：获取多个待存储数据和各所述待存储数据的调用信息；

根据所述调用信息确定各所述待存储数据对应的存储区域；

获取各所述待存储数据对应的数据种类和数据属性，并根据所述数据种类将各所述存储区域划分为若干子存储区域；

基于所述数据属性和所有所述子存储区域，对所有所述待存储数据进行存储；

所述基于所述数据属性和所有所述子存储区域，对所有所述待存储数据进行存储，包括：针对每一所述子存储区域，获取各所述子存储区域对应的可存储量；

计算所述待存储数据之间的相关度，并根据所述相关度确定各所述待存储数据的若干关联数据；

根据各所述待存储数据的所有所述关联数据生成待存储数据项；

获取所有待存储数据项的数据量，并判断所述数据量是否小于所述可存储量；

若是，则将所述待存储数据项存储至对应的所述子存储区域中；

若否，则根据所述可存储量和所述数据属性修正各所述子存储区域的可存储量，得到修正后的子存储区域；

将所述待存储数据项存储至所述修正后的子存储区域中；

所述计算所述待存储数据之间的相关度，包括：生成各所述待存储数据对应的若干数据标签，所述数据标签用于识别所述待存储数据；

基于各所述待存储数据对应的数据标签，确定各所述待存储数据的第一相关度；

获取所述待存储数据的调取时间，并基于各所述待存储数据的调取时间和预设对应关系，确定各所述待存储数据的第二相关度；

基于所述第一相关度和所述第二相关度确定综合相关度，并将综合相关度确定为所述待存储数据之间的相关度。

2.根据权利要求1所述的基于人工智能学习的数据存储方法，其特征在于，所述调用信息包括多个调取时段和各所述调取时段对应的调取频次，所述根据所述调用信息确定各所述待存储数据对应的存储区域，包括：针对每一所述待存储数据，基于所有所述调取时段和各所述调取时段对应的调取频次，确定调取频次均值；

获取各所述存储区域对应的调取频次集合；

根据各所述待存储数据的调取频次均值和各所述存储区域对应的调取频次集合，确定各所述待存储数据对应的存储区域。

3.根据权利要求1所述的基于人工智能学习的数据存储方法，其特征在于，所述基于各所述待存储数据对应的数据标签，确定各所述待存储数据的第一相关度，包括：获取各所述待存储数据的应用信息，并根据所述应用信息和各所述待存储数据的所有所述数据标签确定各所述数据标签的权重值；

基于各所述数据标签的权重值和预设权重值阈值，确定若干目标数据标签；

针对两两所述待存储数据，从所有所述目标数据标签中确定相同数据标签；

获取各所述待存储数据的目标数据标签的第一标签数量和相同数据标签对应的第二标签数量；

根据所述第一标签数量、所述第二标签数量和所有所述相同数据标签确定数据相似度；

将所述数据相似度确定为各所述待存储数据的第一相关度。

4.根据权利要求3所述的基于人工智能学习的数据存储方法，其特征在于，所述根据所述第一标签数量、所述第二标签数量和所有所述相同数据标签确定数据相似度，包括：针对每一所述相同数据标签，基于所述第一标签数量和所述第二标签数量，确定所述相同数据标签的出现频次；

获取待存储数据的数据量，并根据所述出现频次、所述待存储数据的数据数量和预设相似度计算公式，确定所述相同数据标签的逆文档频率，所述逆文档频率表征相同数据标签的普遍程度；

基于所述出现频次和所述逆文档频率，确定向量值；

基于所述向量值，确定待存储数据之间的数据距离；

根据所述数据距离和目标对应关系，确定所述数据相似度，所述目标对应关系为所述数据距离和数据相似度的对应关系。