1.一种驾驶模型训练方法，其特征在于，包括：

获取用户的训练行为数据，所述训练行为数据与用户标识相关联；

基于所述训练行为数据，获取与所述用户标识相关联的训练驾驶数据；

基于所述用户标识，从所述训练驾驶数据获取正负样本；

采用所述正负样本对误差反向传播神经网络模型进行训练，获取目标驾驶模型。

2.如权利要求1所述的驾驶模型训练的方法，其特征在于，所述基于所述训练行为数据，获取与所述用户标识相关联的训练驾驶数据，包括：基于所述训练行为数据，获取与所述训练行为数据对应的行为类型，所述行为类型与所述用户标识相关联；

将所述行为类型为驾驶类型的所述训练行为数据，作为所述训练驾驶数据。

3.根据权利要求1所述的驾驶模型训练方法，其特征在于，所述基于所述用户标识，从所述训练驾驶数据获取正负样本，包括：从目标用户标识对应的所述训练驾驶数据中，选取预设时间段对应的所述训练驾驶数据作为正样本；

从非目标用户标识对应的所述训练驾驶数据中，选取同一时间段对应的所述训练驾驶数据作为负样本；

按预设比例配置所述正样本和所述负样本的数量。

4.如权利要求1所述的驾驶模型训练的方法，其特征在于，所述采用所述正负样本对误差反向传播神经网络模型进行训练，获取目标驾驶模型，包括：初始化所述误差反向传播神经网络模型；

在所述误差反向传播神经网络模型中输入所述正负样本，计算所述误差反向传播神经网络模型的输出值；

根据所述输出值对所述误差反向传播神经网络模型进行误差反传更新，获取更新后的模型参数；

基于所述更新后的模型参数，获取目标驾驶模型。

5.如权利要求4所述的驾驶模型训练的方法，其特征在于，所述在所述误差反向传播神经网络模型中输入所述正负样本，计算所述误差反向传播神经网络模型的输出值，包括：采用激活函数对输入的所述正负样本进行计算，获取隐藏层的输出值；所述采用激活函数对输入的所述正负样本进行计算的计算公式包括 其中，Hj表示所述隐藏层第j个神经元的输出值；Wij表示输入层到隐藏层的权重；xi表示所述输入层的输入；上标n表示所述输入层神经元的数量；下标i表示所述输入层第i个神经元；下标j表示所述隐藏层第j个神经元；aj表示所述输入层到所述隐藏层的偏置；

对所述隐藏层的输出值进行计算，获取输出层的输出值；所述对所述隐藏层的输出值进行计算的计算公式包括 其中，k表示所述输出层第k个神经元；下标j表示所述隐藏层中的第j个神经元；ok表示所述输出层的第k个神经元的输出；上标l表示所述隐藏层中神经元的数量；Hj表示所述隐藏层的输出值；wjk表示所述隐藏层到所述输出层的的权重；bk表示所述隐藏层到所述输出层的偏置；

所述根据所述输出值对所述误差反向传播神经网络模型进行误差反传更新，获取更新后的模型参数，包括：采用梯度下降算法对误差反向传播神经网络模型中的模型参数进行更新优化，获取更新后的模型参数；所述模型参数包括层与层之间的连接权值和各层之间的偏置；所述梯度下降算法的计算公式包括 和ek＝yk-ok，其中，ok为模型的预测输出；yk为与所述ok相对应的期望输出；ek表示所述输出层第k个神经元的误差值；下标m表示所述输出层神经元数量；

基于公式 和公式wjk＝wjk+ηHjek对所述模型参数中的所述层与层之间的连接权值进行更新优化；其中，η表示学习速率；

基于公式 和公式bk＝bk+ηek对所述模型参数中的所述各层之间的偏置进行更新优化；其中，aj表示输入层到隐藏层的偏置；bk表示隐藏层到输出层的偏置。

6.一种驾驶人识别方法，包括：

获取用户的待识别行为数据，所述待识别行为数据与用户标识相关联；

基于所述用户标识查询数据库，获取与所述用户标识相对应的目标驾驶模型，所述目标驾驶模型是采用权利要求1-5任一项所述驾驶模型训练方法获取的模型；

基于所述待识别行为数据和所述目标驾驶模型，获取识别概率值；

判断所述识别概率值是否大于预设概率值；若所述识别概率值大于所述预设概率值，则确定为本人驾驶。

7.一种驾驶模型训练装置，其特征在于，包括：

训练行为数据获取模块，用于获取用户的训练行为数据，所述训练行为数据与用户标识相关联；

训练驾驶数据获取模块，用于基于所述训练行为数据，获取与所述用户标识相关联的训练驾驶数据；

正负样本获取模块，用于基于所述用户标识，从所述训练驾驶数据获取正负样本；

目标驾驶模型获取模块，采用所述正负样本对误差反向传播神经网络模型进行训练，获取目标驾驶模型。

8.一种驾驶人识别装置，其特征在于，包括：

待识别行为数据获取模块，用于获取用户的待识别行为数据，所述待识别行为数据与用户标识相关联；

目标驾驶模型获取模块，用于基于所述用户标识查询数据库，获取与所述用户标识相对应的目标驾驶模型；

识别概率值获取模块，用于基于所述待识别行为数据和所述目标驾驶模型，获取识别概率值；

识别结果判断模块，用于判断所述识别概率值是否大于预设概率值；若所述识别概率值大于所述预设概率值，则确定为本人驾驶。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至5任一项所述驾驶模型训练方法的步骤；或者，所述处理器执行所述计算机程序时实现如权利要求6任一项所述驾驶人识别方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述驾驶模型训练方法的步骤；或者，所述处理器执行所述计算机程序时实现如权利要求6所述驾驶人识别方法的步骤。