1.一种基于并行聚类的监察统计分析方法，其特征在于，所述方法包括：获取原始监察数据集；所述原始监察数据集包括多个监察数据；监察数据包括被监察对象和被监察对象的属性；所述属性包括所述被监察对象的位置属性、职责属性、领域属性、监察项目属性、问题属性；对每一所述监察数据的多个属性进行权重设置，得到每一监察数据的属性权重集，计算所述属性权重集间的相关系数，根据所述相关系数对所述原始监察数据集中的监察数据进行分层，得到多个监察数据层；对每一监察数据层中的监察数据进行并行聚类，得到多个第一监察数据簇中心，根据所述原始监察数据集中的每一监察数据和所述每一第一监察数据簇中心的距离对所述原始监察数据集进行划分，得到多个第二监察数据簇中心；对所述多个第二监察数据簇中心进行并行聚类得到多个第三监察数据簇中心，根据所述原始监察数据集中的每一监察数据和每一所述第三监察数据簇中心的距离对所述原始监察数据集进行划分，得到多个最佳监察数据簇和所述最佳监察数据簇对应的最佳簇中心；根据所述最佳监察数据簇和所述最佳簇中心构建统计分析模型，进行监察数据的统计分析
2.根据权利要求1所述的方法，其特征在于，所述对每一所述监察数据的多个属性进行权重设置，得到每一监察数据的属性权重集，计算所述属性权重集间的相关系数，根据所述相关系数对所述原始监察数据集中的监察数据进行分层，得到多个监察数据层，包括：对每一所述监察数据的多个属性进行权重设置，得到每一监察数据的属性权重集为：其中， 表示原始监察数据集 中的第 n 个监察数据， 表示 的第 l 个属性；计算所述属性权重集间的相关系数为：ρ＝∑ l (m i -m j )其中， 为相关系数， 为监察数据 的属性权重， 为监察数据 的属性权重；根据所述相关系数对所述原始监察数据集中的监察数据进行分层，得到多个监察数据层：C＝{C 1 ,C 2 ,…,C m }其中， m 表示监察数据层中监察数据的数量。
3.根据权利要求1所述的方法，其特征在于，对每一监察数据层中的监察数据进行并行聚类，得到多个第一监察数据簇中心，包括：对每一监察数据层中的监察数据C＝{C 1 ,C 2 ,…,C m }进行并行聚类，采用K-means算法分别将各个监察数据层中的监察数据集划分为多个第一监察数据簇R＝{R 1 ,R 2 ,…,R k }；计算每一第一监察数据簇的簇中心得到多个第一监察数据簇中心。
4.根据权利要求1所述的方法，其特征在于，根据所述原始监察数据集中的每一监察数据和所述每一第一监察数据簇中心的距离对所述原始监察数据集进行划分，得到多个第二监察数据簇中心，包括：根据所述原始监察数据集中的每一监察数据和所述第一监察数据簇中心的距离对所述原始监察数据集进行划分，得到对应的多个第二监察数据集；计算每个第二监察数据集的簇中心得到多个第二监察数据簇中心。
5.一种基于并行聚类的监察统计分析装置，其特征在于，所述装置包括：获取模块，用于获取原始监察数据集；所述原始监察数据集包括多个监察数据；监察数据包括被监察对象和被监察对象的属性；所述属性包括所述被监察对象的位置属性、职责属性、领域属性、监察项目属性、问题属性；分层模块，用于对每一所述监察数据的多个属性进行权重设置，得到每一监察数据的属性权重集，计算所述属性权重集间的相关系数，根据所述相关系数对所述原始监察数据集中的监察数据进行分层，得到多个监察数据层；第一划分模块，用于对每一监察数据层中的监察数据进行并行聚类，得到多个第一监察数据簇中心，根据所述原始监察数据集中的每一监察数据和所述每一第一监察数据簇中心的距离对所述原始监察数据集进行划分，得到多个第二监察数据簇中心；第二划分模块，用于对所述多个第二监察数据簇中心进行并行聚类得到多个第三监察数据簇中心，根据所述原始监察数据集中的每一监察数据和每一所述第三监察数据簇中心的距离对所述原始监察数据集进行划分，得到多个最佳监察数据簇和所述最佳监察数据簇对应的最佳簇中心；统计分析模块，用于根据所述最佳监察数据簇和所述最佳簇中心构建统计分析模型，进行监察数据的统计分析。
6.一种计算机设备，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4中任一项所述方法的步骤。
7.一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4中任一项所述的方法的步骤。
