1.一种深度学习神经网络方法，所述方法包括：

获取预先训练好的深度学习神经网络；

从待预测数据中获取输入数据；

根据所述输入数据和所述预先训练好的深度学习神经网络的输入变量确定至少一个缺少数据的输入变量；

将对所述缺少数据的输入变量进行赋值获得的数据，与从所述待预测数据中获取的输入数据进行组合，生成多组完整输入数据；

将所述多组完整输入数据输入到所述预先训练好的深度学习神经网络中，计算得到多组输出数据。

2.根据权利要求1所述的方法，其特征在于，所述将对所述缺少数据的输入变量进行赋值获得的数据，与从所述待预测数据中获取的输入数据进行组合，生成多组完整输入数据，包括：从输入变量范围知识库中检索出缺少数据输入变量对应的预设取值范围；其中，输入变量范围知识库预先存有所有输入变量对应的预设取值范围；或从所有训练输入数据中的每一训练输入数据中获取缺少数据输入变量的值，统计获取到的缺少数据输入变量的最大值和最小值，将从最小值到最大值之间的值范围作为缺少数据输入变量的预设取值范围；

或提示并接受用户输入缺少数据输入变量的预设取值范围；

对缺少数据输入变量在对应的预设取值范围内随机地生成预定数量个值对缺少数据的输入变量进行预定数量次赋值；

其中，预定数量由用户输入或预先设置。

3.根据权利要求1所述的方法，其特征在于，所述将对所述缺少数据的输入变量进行赋值获得的数据，与从所述待预测数据中获取的输入数据进行组合，生成多组完整输入数据，包括：从样本数据库中随机选取预定数量个训练输入数据，然后提取这预定数量个训练输入数据中该输入变量对应的数据对缺少数据输入变量进行预定数量次赋值；

其中，预定数量由用户输入或将小于或等于样本数据库中输入数据的数量的P％作为预定数量，P小于或等于100，样本数据库中的输入数据都是完整的输入数据。

4.根据权利要求1所述的方法，其特征在于，在所述将所述多组完整输入数据输入到所述预先训练好的深度学习神经网络中，计算得到多组输出数据之后，还包括：统计所述多组输出数据中各类输出数据所占的比例；

将比例最高的一类输出数据作为预测结果；

将预测结果及各类输出数据及其相应比例输出给用户。

5.根据权利要求1所述的方法，其特征在于，在所述获取预先训练好的深度学习神经网络之前，还包括：对深度学习神经网络进行初始化；

获取训练数据；

通过训练数据对初始化后的深度学习神经网络进行训练得到预先训练好的深度学习神经网络。

6.根据权利要求5所述的方法，其特征在于，所述对深度学习神经网络进行初始化，包括：根据样本数据库中的训练数据的字段名确定样本输入变量与样本输出变量；

从深度学习神经网络库中选取输入变量和输出变量与样本输入变量和样本输出变量匹配的深度学习神经网络；

对选取的深度学习神经网络进行初始化。

7.根据权利要求6所述的方法，其特征在于，所述从深度学习神经网络库中选取输入变量和输出变量与样本输入变量和样本输出变量匹配的深度学习神经网络，包括：采用如下公式计算深度学习神经网络库中输入变量和输出变量分别与所述样本输入变量和所述样本输出变量之间的匹配度：匹配度＝深度学习神经网络库中输入变量与样本输入变量的匹配度×u％+深度学习神经网络库中输出变量与样本输出变量的匹配度×(1-u％)；其中，u为预设权重；

从匹配度中选取匹配度最大的深度学习神经网络返回给用户；

将用户确认或修改后的深度学习神经网络作为预置深度学习神经网络。

8.一种深度学习神经网络装置，其特征在于，所述装置包括：数据获取模块，用于获取预先训练好的深度学习神经网络，从待预测数据中获取输入数据；

缺少数据的输入变量确认模块，用于根据所述输入数据和所述预先训练好的深度学习神经网络的输入变量确定至少一个缺少数据的输入变量；

取值范围获取模块，用于将对所述缺少数据的输入变量进行赋值获得的数据，与从所述待预测数据中获取的输入数据进行组合，生成多组完整输入数据；

数据输入模块，用于将所述多组完整输入数据输入到所述预先训练好的深度学习神经网络中，计算得到多组输出数据。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任意一项所述深度学习神经网络方法的步骤。

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，所述程序被处理器执行时实现权利要求1-7任意一项所述深度学习神经网络方法的步骤。