1.一种人工智能大数据智慧健康管理方法，其特征在于，所述方法包括：基于智能设备获取用户的身体参数，根据所述身体参数构建用户的身体画像；

获取用户的含有时间跨度的行为数据，根据时间跨度获取身体画像的变化信息，训练行为数据至变化信息的映射模型；

比对不同用户的最新时刻的身体画像及最新的映射模型，对用户进行聚类；

对任一类用户，当接收到任一用户上传的体检数据时，根据体检数据生成提示信息，向同类用户广播；

所述基于智能设备获取用户的身体参数，根据所述身体参数构建用户的身体画像的步骤包括：基于智能体脂秤获取用户的基础参数；

根据所述基础参数在预设的身体模型库中遍历匹配身体模型；

基于智能穿戴设备实时获取用户的变动参数，根据所述变动参数确定身体模型的显示参数；

将显示参数插入身体模型，得到用户的身体画像；

所述变动参数包括心率、运动量和血氧饱和度，将心率、运动量和血氧饱和度均转换至0到255范围内，分别作为H值、S值和V值，得到显示参数；

所述比对不同用户的最新时刻的身体画像及最新的映射模型，对用户进行聚类的步骤包括：获取各个用户在当前时刻的身体画像及映射模型；

比对不同用户的身体画像及映射模型，计算画像距离和模型距离；

根据所述画像距离和模型距离对用户进行聚类；

所述根据所述画像距离和模型距离对用户进行聚类的步骤包括：对任意两个用户，读取两个用户的身体画像，校准两个身体画像的原点，计算画像距离；

读取两个用户的映射模型，随机确定预设的数量的测试数据，将测试数据输入两个映射模型，得到输出，根据所述输出计算模型距离；

根据画像距离和模型距离计算用户的相似度，应用optics聚类算法，对用户进行聚类；所述相似度与画像距离和模型距离均呈反比；

其中，画像距离的计算过程为：

；表示画像距离，、和K分别表示身体模型所在的空间的尺寸；和分别表示两个身体模型中点处的参数，和均为数组，用于表征显示参数，当某一身体模型在点处没有显示参数时，采用元素均为零的数组作为代替数组；表示两个数组之间的数组距离；为预设的调节系数；

所述对任一类用户，当接收到任一用户上传的体检数据时，根据体检数据生成提示信息，向同类用户广播的步骤包括：定时向各类用户发送体检数据获取请求；

当接收到任一用户上传的体检数据时，对体检数据进行转码，得到数字体检数据；

在数字体检数据定位异常数据，并在异常数据中插入提示框；

将含有提示框的数字体检数据向同类用户广播。

2.根据权利要求1所述的人工智能大数据智慧健康管理方法，其特征在于，所述获取用户的含有时间跨度的行为数据，根据时间跨度获取身体画像的变化信息，训练行为数据至变化信息的映射模型的步骤包括：基于智能穿戴设备实时获取用户的变动参数，对所述变动参数进行识别，确定用户在各个时刻的行为类型；

在一个时间周期内，对各个时刻的行为类型进行合并，得到各个时段的行为数据；

获取每个时段的身体画像的变化信息，将同一时段的行为数据作为特征，身体画像的变化信息作为标签构建样本；

统计预设数量的样本，构建样本集，根据预设的比例将样本集切分为训练集和测试集，训练神经网络模型；

当所述神经网络模型的误差率小于预设的误差率阈值时，输出神经网络模型，作为行为数据至变化信息的映射模型。

3.一种人工智能大数据智慧健康管理系统，其特征在于，所述系统包括：身体画像构建模块，用于身体基于智能设备获取用户的身体参数，根据所述身体参数构建用户的身体画像；

映射模型训练模块，用于获取用户的含有时间跨度的行为数据，根据时间跨度获取身体画像的变化信息，训练行为数据至变化信息的映射模型；

用户聚类模块，用于比对不同用户的最新时刻的身体画像及最新的映射模型，对用户进行聚类；

体检数据共享模块，用于对任一类用户，当接收到任一用户上传的体检数据时，根据体检数据生成提示信息，向同类用户广播；

所述身体画像构建模块包括：

基础参数获取单元，用于基于智能体脂秤获取用户的基础参数；

身体模型匹配单元，用于根据所述基础参数在预设的身体模型库中遍历匹配身体模型；

变动参数确定单元，用于基于智能穿戴设备实时获取用户的变动参数，根据所述变动参数确定身体模型的显示参数；

显示参数应用单元，用于将显示参数插入身体模型，得到用户的身体画像；

所述变动参数包括心率、运动量和血氧饱和度，将心率、运动量和血氧饱和度均转换至0到255范围内，分别作为H值、S值和V值，得到显示参数；

所述用户聚类模块包括：

参数获取单元，用于获取各个用户在当前时刻的身体画像及映射模型；

用户比对单元，用于比对不同用户的身体画像及映射模型，计算画像距离和模型距离；

聚类执行单元，用于根据所述画像距离和模型距离对用户进行聚类；

所述根据所述画像距离和模型距离对用户进行聚类的内容包括：对任意两个用户，读取两个用户的身体画像，校准两个身体画像的原点，计算画像距离；

读取两个用户的映射模型，随机确定预设的数量的测试数据，将测试数据输入两个映射模型，得到输出，根据所述输出计算模型距离；

根据画像距离和模型距离计算用户的相似度，应用optics聚类算法，对用户进行聚类；所述相似度与画像距离和模型距离均呈反比；

其中，画像距离的计算过程为：

；表示画像距离，、和K分别表示身体模型所在的空间的尺寸；和分别表示两个身体模型中点处的参数，和均为数组，用于表征显示参数，当某一身体模型在点处没有显示参数时，采用元素均为零的数组作为代替数组；表示两个数组之间的数组距离；为预设的调节系数；

所述对任一类用户，当接收到任一用户上传的体检数据时，根据体检数据生成提示信息，向同类用户广播的内容包括：定时向各类用户发送体检数据获取请求；

当接收到任一用户上传的体检数据时，对体检数据进行转码，得到数字体检数据；

在数字体检数据定位异常数据，并在异常数据中插入提示框；

将含有提示框的数字体检数据向同类用户广播。

4.根据权利要求3所述的人工智能大数据智慧健康管理系统，其特征在于，所述映射模型训练模块包括：变动参数识别单元，用于基于智能穿戴设备实时获取用户的变动参数，对所述变动参数进行识别，确定用户在各个时刻的行为类型；

行为类型合并单元，用于在一个时间周期内，对各个时刻的行为类型进行合并，得到各个时段的行为数据；

样本创建单元，用于获取每个时段的身体画像的变化信息，将同一时段的行为数据作为特征，身体画像的变化信息作为标签构建样本；

模型训练单元，用于统计预设数量的样本，构建样本集，根据预设的比例将样本集切分为训练集和测试集，训练神经网络模型；

模型输出单元，用于当所述神经网络模型的误差率小于预设的误差率阈值时，输出神经网络模型，作为行为数据至变化信息的映射模型。