1.一种用户行为异常分析方法，其特征在于，所述用户行为异常分析方法包括：获取车险赔付相关的用户行为信息，其中，所述用户行为信息包括多个用户行为因子；

从所述用户行为信息中选取时序特征相关的用户行为因子，并对选取的用户行为因子进行特征加工，得到用户行为集成信息；

采用所述用户行为集成信息，计算车险赔付相关的用户行为轨迹，并将所述用户行为轨迹作为模型因子，其中，所述模型因子包括LBS因子、WIFI因子和距离因子；

对各所述用户行为因子进行特征清洗，并从清洗后的用户行为因子中筛选符合预置模型指标标准的多个用户行为因子作为模型因子；

通过预置特征工程对各所述模型因子进行数值化处理，得到各所述模型因子对应的特征编码；

通过预置的用户行为异常分析模型，计算各所述特征编码之间的一维关联信息和二维交叉信息，并根据所述一维关联信息和所述二维交叉信息，对车险赔付相关的用户行为进行分类处理，得到所述用户行为的异常分析结果。

2.根据权利要求1所述的用户行为异常分析方法，其特征在于，所述通过预置特征工程对各所述模型因子进行数值化处理，得到各所述模型因子对应的特征编码包括：依次对各所述模型因子进行离散特征的数值化处理，得到各所述模型因子对应的初始特征编码；

根据各所述初始特征编码的数值分布，分别对各所述初始特征编码进行分组处理，得到多个特征编码组合；

分别对各所述特征编码组合中的初始特征编码进行归一化处理，得到预置数值区间的多组特征编码组合，其中，各所述特征编码组合中包含各模型因子对应的特征编码。

3.根据权利要求1所述的用户行为异常分析方法，其特征在于，所述通过预置的用户行为异常分析模型，计算各所述特征编码之间的一维关联信息和二维交叉信息包括：将各所述特征编码输入预置的用户行为异常分析模型，其中，所述用户行为异常分析模型包括组合层和网络层；

通过所述网络层提取所述特征编码的一维特征向量，并根据所述一维特征向量计算各所述特征编码之间一维关联信息；

通过所述组合层计算每两个特征编码之间编码组合对应的交叉权重矩阵，并根据所述交叉权重矩阵计算各所述编码组合的二维交叉信息。

4.根据权利要求3所述的用户行为异常分析方法，其特征在于，所述通过所述组合层计算每两个特征编码之间编码组合对应的交叉权重矩阵包括：根据每两个特征编码的编码组合数量，通过所述组合层确定对应的组合辅助向量，并对各所述编码组合和所述组合辅助向量进行合并，得到嵌入向量矩阵；

根据预置权重公式和所述嵌入向量矩阵，通过所述组合层计算各所述编码组合的交叉权重，并根据所述交叉权重，构建交叉权重矩阵。

5.根据权利要求1‑4中任一项所述的用户行为异常分析方法，其特征在于，所述从清洗后的用户行为因子中筛选符合预置模型指标标准的多个用户行为因子作为模型因子包括：分别计算各所述行为因子的特征饱和度，并依次判断各所述行为因子的特征饱和度是否大于预置饱和度阈值；

若所述行为因子的特征饱和度大于饱和度阈值，则计算对应行为因子的模型相关性系数，并判断所述模型相关性系数的绝对值是否小于预置相关性阈值；

若所述模型相关性系数的绝对值小于所述相关性阈值，则确定对应的行为因子符合预置模型指标标准，并将符合模型指标标准的用户行为因子作为模型因子。

6.一种用户行为异常分析装置，其特征在于，所述用户行为异常分析装置包括：获取模块，用于获取车险赔付相关的用户行为信息，其中，所述用户行为信息包括多个用户行为因子；

选取模块，用于从所述用户行为信息中选取时序特征相关的用户行为因子，并对选取的用户行为因子进行特征加工，得到用户行为集成信息；

计算模块，用于采用所述用户行为集成信息，计算车险赔付相关的用户行为轨迹，并将所述用户行为轨迹作为模型因子，其中，所述模型因子包括LBS因子、WIFI因子和距离因子；

筛选模块，用于对各所述用户行为因子进行特征清洗，并从清洗后的用户行为因子中筛选符合预置模型指标标准的多个用户行为因子作为模型因子；

数值处理模块，用于通过预置特征工程对各所述模型因子进行数值化处理，得到各所述模型因子对应的特征编码；

分析模块，用于通过预置的用户行为异常分析模型，计算各所述特征编码之间的一维关联信息和二维交叉信息，并根据所述一维关联信息和所述二维交叉信息，对车险赔付相关的用户行为进行分类处理，得到所述用户行为的异常分析结果。

7.一种用户行为异常分析设备，其特征在于，所述用户行为异常分析设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述用户行为异常分析设备执行如权利要求1‑5中任意一项所述的用户行为异常分析方法。

8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1‑5中任一项所述用户行为异常分析方法。