1.一种汽车智能网联感性需求趋势分析及突变检测方法，其特征在于，包括以下步骤：获取用户评论数据，构建评论数据集；将评论数据集划分为训练集与验证集，对评论数据集中的用户评论进行数据清洗，然后进行分词和去停用词处理；对分词和去停用词处理后的评论进行关键词提取，根据不同的主题对提取的关键词分类，从而构建用户关键词库；基于所述用户关键词库中的关键词，对训练集中的数据通过人工标注的方式，为每条评论打上感性正向、负向标签；

对评论数据集中的词汇通过词嵌入操作，生成相应的词向量；使用评论数据集训练Bi-LSTM神经网络，Bi-LSTM模型输入的是评论数据集中的词向量，输出是情感值；利用训练好的Bi-LSTM模型计算待分析的时间段内的各条评论情感值；

定义NSF表示某时间区间内的标准化情感频率值，通过下式计算待分析时间段内的NSF：其中，表示自营品牌、竞品品牌的标准化情感值；表示自营品牌、竞品品牌包含某设计/配置的第i条评论的情感值，表示自营品牌、竞品品牌包含某设计/配置的评论的数量；表示自营品牌、竞品品牌的所有评论中第i条评论的情感值，表示自营品牌、竞品品牌的所有评论的数量；ISF表示评论情感值逆频率；

校验NSF值的趋势稳定性，若得到“稳定”结果，此时视NSF值在所有待分析的评论发布时间所构成的时间序列上保持稳定，则不进行趋势分析；而对于结果为“不稳定”的序列进一步进行趋势检验，得到上升或下降趋势的检验结果；

通过多种方法进行待分析的时间段内的突变分析，确定可信突变时间；

所述通过多种方法进行待分析的时间段内的突变分析，包括：

通过Mann-Kendall、Pettitt、SNHT三种算法综合比较，判断突变时间点位置；

现用a、b、c分别代表三种算法，Ta、Tb、Tc为相应方法求解出的可能突变时间点的集合，集合的元素用ti,tj,tk,…表示；tα的出现次数记为βα，α＝i,j,k…，考虑到算法的差异性，在这里允许tα有±tγ的误差，阈值时间tγ根据实际需求自行确定；

Ta＝{ti,tj,…}

Tb＝{tk,tl,…}

Tc＝{tm,tn,…}

对于可能突变时间点，进行频数统计并最终根据投票机制，规定T为可信突变时间：T＝{tα|βα≥2}。

2.根据权利要求1所述的汽车智能网联感性需求趋势分析及突变检测方法，其特征在于，所述校验NSF值的趋势稳定性的方法为ADF检验方法。

3.根据权利要求1所述的汽车智能网联感性需求趋势分析及突变检测方法，其特征在于，所述趋势检验采用Mann-Kendall方法。

4.根据权利要求1所述的汽车智能网联感性需求趋势分析及突变检测方法，其特征在于，所述检验结果以及可信突变时间用于向企业提供发展建议。

5.根据权利要求4所述的汽车智能网联感性需求趋势分析及突变检测方法，其特征在于，所述发展建议包括：对于某设计/配置，当NSF值的趋势稳定性分析结果为稳定时，建议企业可关注业界相关设计/配置的发展趋势，以求保持该设计/配置在市场上的竞争力；

对于某设计/配置，当趋势分析结果为上升时，可进一步侦测上升过程中的突变时间点，该时间点表明用户对自有品牌的该设计/配置满意度较同行业品牌的有明显提升；建议生产企业可着力于对该设计/配置进行优化与提升；

对于某设计/配置，当趋势分析结果为下降时，通过进一步侦测下降过程中的突变时间点，结合评论信息研究在该时间点附近落后于同行水平的原因。