1.一种多粒度感知集成学习方法，其特征在于，所述方法包括：获取用户上网行为的数据集，对所述数据集进行预处理得到预处理后数据集；所述预处理后数据集中的数据包括属性特征、粒度特征和粒子标签值；将所述预处理后数据集输入预先设计的多粒度感知数据衍生算法，通过所述多粒度感知数据衍生算法根据所述属性特征的特征类别和所述粒子标签值对所述预处理后数据集进行多粒度感知处理，得到多粒度感知数据集，根据所述粒度特征将所述多粒度感知数据集按粒层划分，得到多个层次的衍生数据集；所述衍生数据集被分为训练数据集和测试数据集；所述衍生数据集中的数据包括衍生属性值和对应粒层的粒子标签值；基于基学习算法，根据所述训练数据集数据的所述衍生属性值和所述对应粒层的粒子标签值对预设的多个基学习器进行训练，得到训练好的基学习器；所述基学习器的个数与所述衍生数据集的层数相同；将所述训练数据集输入所述训练好的基学习器，计算所述测试数据集数据通过所述训练好的基学习器进行预测的自预测误差，根据所述自预测误差统计以粒子为单位的均方误差和以粒层为单位的均方误差；根据所述以粒子为单位的均方误差得到粒子级权重，根据所述以粒层为单位的均方误差得到粒度级权重，根据所述粒子级权重和所述粒度级权重确定权重信息；其中，均方误差更小的粒子或粒层得到更大权重值；将所述测试数据集输入所述训练好的基学习器，得到所述测试数据集的预测结果，根据所述权重信息对所述预测结果进行加权集成，输出用户上网行为数据的多粒度感知集成学习预测结果。
2.根据权利要求1所述的方法，其特征在于，获取用户上网行为的数据集，对所述数据集进行预处理得到预处理后数据集；所述预处理后数据集中的数据包括属性特征、粒度特征和粒子标签值，包括：获取用户上网行为的数据集，对所述数据集进行预处理；根据所述数据集数据结构中的属性生成数据的属性特征、粒度特征和粒子标签值，得到预处理后数据集；所述数据集数据结构中的属性为数据所属的账户，部门，公司；或者根据所述数据集通过层次聚类的方式生成数据的属性特征、粒度特征和粒子标签值，得到预处理后数据集。
3.根据权利要求2所述的方法，其特征在于，将所述预处理后数据集输入预先设计的多粒度感知数据衍生算法，通过所述多粒度感知数据衍生算法根据所述属性特征的特征类别和所述粒子标签值对所述预处理后数据集进行多粒度感知处理，得到多粒度感知数据集，包括：将所述预处理后数据集输入预先设计的多粒度感知数据衍生算法；将所述粒子标签值作为所述属性特征的一种，对所述预处理后数据的属性特征进行判别，若所述属性特征是数值型特征，则对所述数值型特征进行粒内归一化，若所述属性特征是符号型特征，则对所述符号型特征进行粒内再编码；得到多粒度感知数据集。
4.根据权利要求3所述的方法，其特征在于，根据所述粒度特征将所述多粒度感知数据集按粒层划分，得到多个层次的衍生数据集；所述衍生数据集被分为训练数据集和测试数据集，包括：将所述多粒度感知数据集分为多粒度训练集和多粒度测试集；根据所述粒度特征将所述多粒度训练集和所述多粒度测试集按粒层划分，分别得到多个层次的训练数据集和多个层次的测试数据集；所述训练数据集和所述测试数据集构成衍生数据集。
5.根据权利要求4所述的方法，其特征在于，将所述测试数据集输入所述训练好的基学习器，得到所述测试数据集的预测结果，根据所述权重信息对所述预测结果进行加权集成，包括：通过粒子群算法对所述权重信息进行增强，得到增强后的权重信息；将所述测试数据集输入所述训练好的基学习器，得到所述测试数据集的预测结果；根据所述增强后的权重信息对所述预测结果进行加权集成。
6.根据权利要求5所述的方法，其特征在于，通过粒子群算法对所述权重信息进行增强，得到增强后的权重信息，包括：以所述权重信息为粒子群算法的初始值；根据所述初始值通过所述粒子群算法反复迭代，直到满足结束条件，结束迭代；得到增强后的权重信息。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述基学习器为树模型。
8.一种多粒度感知集成学习装置，其特征在于，所述装置包括：预处理模块，用于获取用户上网行为的数据集，对所述数据集进行预处理得到预处理后数据集；所述预处理后数据集中的数据包括属性特征、粒度特征和粒子标签值；数据衍生模块，用于将所述预处理后数据集输入预先设计的多粒度感知数据衍生算法，通过所述多粒度感知数据衍生算法根据所述属性特征的特征类别和所述粒子标签值对所述预处理后数据集进行多粒度感知处理，得到多粒度感知数据集，根据所述粒度特征将所述多粒度感知数据集按粒层划分，得到多个层次的衍生数据集；所述衍生数据集被分为训练数据集和测试数据集；所述衍生数据集中的数据包括衍生属性值和对应粒层的粒子标签值；基学习器训练模块，用于基于基学习算法，根据所述训练数据集数据的所述衍生属性值和所述对应粒层的粒子标签值对预设的多个基学习器进行训练，得到训练好的基学习器；所述基学习器的个数与所述衍生数据集的层数相同；均方误差统计模块，用于将所述训练数据集输入所述训练好的基学习器，计算所述测试数据集数据通过所述训练好的基学习器进行预测的自预测误差，根据所述自预测误差统计以粒子为单位的均方误差和以粒层为单位的均方误差；权重信息确定模块，用于根据所述以粒子为单位的均方误差得到粒子级权重，根据所述以粒层为单位的均方误差得到粒度级权重，根据所述粒子级权重和所述粒度级权重确定权重信息；其中，均方误差更小的粒子或粒层得到更大权重值；多粒度感知集成学习预测模块，用于将所述测试数据集输入所述训练好的基学习器，得到所述测试数据集的预测结果，根据所述权重信息对所述预测结果进行加权集成，输出用户上网行为数据的多粒度感知集成学习预测结果。
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至7中任一项所述方法的步骤。
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至7中任一项所述的方法的步骤。
