1.一种智慧物流数据的采集方法，其特征在于，包括：

确定出第一标识数据簇和第二标识数据簇，所述第一标识数据簇包括多个第一标识数据，所述第一标识数据用于反映参考物流数据种类，所述第二标识数据簇包括第二标识数据和全部的所述第一标识数据，所述第二标识数据用于反映所述参考物流数据种类之外的其它物流数据种类；

提取到所述第一标识数据簇对应的多个第一物流数据，并提取到所述第二标识数据簇对应的多个第二物流数据；

搭建出候选物流数据识别网络，并对随机确定的一个所述第二物流数据和每一个所述第一标识数据对应的所述第一物流数据进行组合，形成示例性数据簇，并对所述示例性数据簇进行加载处理，以加载到所述候选物流数据识别网络中，分析出所述第二物流数据对应的数据种类可能性分布；

基于所述数据种类可能性分布和所述第二标识数据簇，分析出对应的预测误差参数，并基于所述数据种类可能性分布，分析出对应的对比误差参数，所述对比误差参数用于反映所述第二物流数据与每一个所述第一标识数据之间的差异分散状态；

基于所述预测误差参数和所述对比误差参数，分析出总的误差参数，并基于所述总的误差参数，对所述候选物流数据识别网络进行更新处理，以形成对应的更新物流数据识别网络；

对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据，并在所述预测标识数据满足预先配置的标识数据条件的情况下，将所述待处理物流数据确定为采集到的数据，所述预测标识数据用于反映所述待处理物流数据的种类。

2.如权利要求1所述的智慧物流数据的采集方法，其特征在于，所述数据种类可能性分布包括所述第二物流数据属于每一种所述参考物流数据种类的种类可能性参数，所述基于所述数据种类可能性分布，分析出对应的对比误差参数的步骤，包括：对每一个所述种类可能性参数进行取对数操作，以输出每一个所述种类可能性参数对应的对数计算结果；

分别对每一个所述种类可能性参数和该种类可能性参数对应的所述对数计算结果进行相乘运算，以输出对应的相乘运算结果；

基于每一个所述种类可能性参数对应的相乘运算结果的累积结果，分析出对应的对比误差参数。

3.如权利要求1所述的智慧物流数据的采集方法，其特征在于，所述搭建出候选物流数据识别网络的步骤，包括：确定出第一示例性物流数据和第二示例性物流数据，所述第一示例性物流数据和所述第二示例性物流数据之间的数据相关系数超过预先配置的参考数据相关系数；

对所述第一示例性物流数据和所述第二示例性物流数据进行加载处理，以加载到搭建出的初级物流数据识别网络中，将所述第一示例性物流数据和所述第二示例性物流数据进行特征挖掘操作，以输出所述第一示例性物流数据对应的第一示例性特征表示和所述第二示例性物流数据对应的第二示例性特征表示；

分析出所述第一示例性特征表示和所述第二示例性特征表示之间的特征表示距离，并基于所述特征表示距离，分析出初级误差参数；

基于所述初级误差参数，对所述初级物流数据识别网络进行更新处理，以形成对应的候选物流数据识别网络。

4.如权利要求1所述的智慧物流数据的采集方法，其特征在于，所述对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据的步骤，包括：对所述待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，将所述待处理物流数据进行特征挖掘操作，以输出对应的待处理特征表示；

确定出每一个所述第一标识数据对应的标识数据特征表示；

分析出所述待处理特征表示和每一个所述标识数据特征表示之间的待处理特征表示距离，以及，基于所述待处理特征表示距离，确定出所述待处理物流数据对应的待处理种类可能性分布，所述待处理种类可能性分布包括所述待处理物流数据属于每一种所述参考物流数据种类的待处理可能性参数；

对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据。

5.如权利要求4所述的智慧物流数据的采集方法，其特征在于，所述对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据的步骤，包括：在每一个所述待处理可能性参数都未超过预先配置的参考可能性参数的情况下，将所述待处理物流数据对应的预测标识数据配置为所述第二标识数据；或者，在一个以上的所述待处理可能性参数超过所述参考可能性参数的情况下，将所述待处理物流数据对应的预测标识数据配置为具有最大值的所述待处理可能性参数对应的所述参考物流数据种类对应的所述第一标识数据。

6.如权利要求5所述的智慧物流数据的采集方法，其特征在于，每一个所述第一标识数据对应有多个第一物流数据；所述确定出每一个所述第一标识数据对应的标识数据特征表示的步骤，包括：对所述多个第一物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分别对每一个所述第一物流数据进行特征挖掘操作，以输出每一个所述第一物流数据对应的初始标识数据特征表示；

对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行融合，以输出该第一标识数据对应的标识数据特征表示；

其中，所述对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行融合，以输出该第一标识数据对应的标识数据特征表示的步骤，包括：对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行级联组合，以输出该第一标识数据对应的标识数据特征表示；或，对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行叠加处理，以输出该第一标识数据对应的标识数据特征表示。

7.如权利要求6所述的智慧物流数据的采集方法，其特征在于，所述智慧物流数据的采集方法还包括：在所述预测标识数据属于所述第一标识数据的情况下，基于所述待处理种类可能性分布，分析出所述待处理物流数据对应的预测可靠参数；

在所述预测可靠参数超过预先配置的参考预测可靠参数的情况下，对所述待处理物流数据进行标记处理，以标记为所述第一标识数据对应的新的第一物流数据；

基于当前的第一标识数据簇、当前的第二标识数据簇、当前的多个第一物流数据和当前的多个第二物流数据，对所述更新物流数据识别网络再次进行更新处理，形成新的更新物流数据识别网络。

8.一种智慧物流数据的采集系统，其特征在于，包括：

标识数据确定模块，用于确定出第一标识数据簇和第二标识数据簇，所述第一标识数据簇包括多个第一标识数据，所述第一标识数据用于反映参考物流数据种类，所述第二标识数据簇包括第二标识数据和全部的所述第一标识数据，所述第二标识数据用于反映所述参考物流数据种类之外的其它物流数据种类；

物流数据提取模块，用于提取到所述第一标识数据簇对应的多个第一物流数据，并提取到所述第二标识数据簇对应的多个第二物流数据；

物流数据预测模块，用于搭建出候选物流数据识别网络，并对随机确定的一个所述第二物流数据和每一个所述第一标识数据对应的所述第一物流数据进行组合，形成示例性数据簇，并对所述示例性数据簇进行加载处理，以加载到所述候选物流数据识别网络中，分析出所述第二物流数据对应的数据种类可能性分布；

误差分析模块，用于基于所述数据种类可能性分布和所述第二标识数据簇，分析出对应的预测误差参数，并基于所述数据种类可能性分布，分析出对应的对比误差参数，所述对比误差参数用于反映所述第二物流数据与每一个所述第一标识数据之间的差异分散状态；

网络更新模块，用于基于所述预测误差参数和所述对比误差参数，分析出总的误差参数，并基于所述总的误差参数，对所述候选物流数据识别网络进行更新处理，以形成对应的更新物流数据识别网络；

物流数据采集模块，用于对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据，并在所述预测标识数据满足预先配置的标识数据条件的情况下，将所述待处理物流数据确定为采集到的数据，所述预测标识数据用于反映所述待处理物流数据的种类。

9.如权利要求8所述的智慧物流数据的采集系统，其特征在于，所述物流数据预测模块具体用于：确定出第一示例性物流数据和第二示例性物流数据，所述第一示例性物流数据和所述第二示例性物流数据之间的数据相关系数超过预先配置的参考数据相关系数；

对所述第一示例性物流数据和所述第二示例性物流数据进行加载处理，以加载到搭建出的初级物流数据识别网络中，将所述第一示例性物流数据和所述第二示例性物流数据进行特征挖掘操作，以输出所述第一示例性物流数据对应的第一示例性特征表示和所述第二示例性物流数据对应的第二示例性特征表示；

分析出所述第一示例性特征表示和所述第二示例性特征表示之间的特征表示距离，并基于所述特征表示距离，分析出初级误差参数；

基于所述初级误差参数，对所述初级物流数据识别网络进行更新处理，以形成对应的候选物流数据识别网络。

10.如权利要求8所述的智慧物流数据的采集系统，其特征在于，所述物流数据采集模块具体用于：对所述待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，将所述待处理物流数据进行特征挖掘操作，以输出对应的待处理特征表示；

确定出每一个所述第一标识数据对应的标识数据特征表示；

分析出所述待处理特征表示和每一个所述标识数据特征表示之间的待处理特征表示距离，以及，基于所述待处理特征表示距离，确定出所述待处理物流数据对应的待处理种类可能性分布，所述待处理种类可能性分布包括所述待处理物流数据属于每一种所述参考物流数据种类的待处理可能性参数；

对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据。