1.一种智能分拣过程中参数动态预测方法，其特征在于，该方法包括以下步骤：
获取选矿各阶段影响因素的参数，利用数据流的形式将经过均值填充处理后各阶段影响因素的参数导入大数据平台；
获取各阶段每类影响因素与最终精矿品位的关联度，根据各阶段内各类影响因素参数取值与各阶段输出品位的拟合曲线获取各阶段影响因素的分类结果，根据每阶段前序影响指数和每类影响因素的阶段显著度获取每类影响因素的品位影响系数，根据品位影响系数获取各阶段不同相关性的主影响因素；
根据各阶段每类主影响因素的信息增益、取值差分序列以及各阶段输出品位的输出差分序列获取各类主影响因素的阶段决策指数，根据各阶段主影响因素的阶段决策指数得到主影响因素的聚类结果以及关键指标；
根据每个选矿阶段的关键指标和选矿工艺流程顺序获取决策序列以及数据序列，将多个选矿阶段的决策序列和数据序列作为预测模型的输入获取各阶段输出品位的预测值；
所述根据每阶段前序影响指数和每类影响因素的阶段显著度获取每类影响因素的品位影响系数的方法为：
根据不同阶段影响因素组成关联序列获取各阶段前序影响指数，根据每类影响因素与前期选矿阶段影响因素的相关性以及与同向影响因素之间的相似性获取每类影响因素的阶段显著度；
对于任意一类影响因素，将不同类影响因素数量差值绝对值与阶段显著度的乘积与调参因子的累加和作为分母，所述不同类影响因素数量差值绝对值为每类影响因素所属阶段内正向影响因素数量与负向影响因素数量差值的绝对值，将前序影响指数作为分子，将分子与分母的比值结果作为影响因素的品位影响系数；
所述根据不同阶段影响因素组成关联序列获取各阶段前序影响指数的方法为：
式中， 是第i个阶段的前序影响指数， 、 分别是选矿过程中第i个阶段、第k个阶段内各影响因素关联度的均值， 、 分别是第i个阶段、第k个阶段内各影响因素关联度按照从大到小的顺序组成的关联序列， 是关联序列 、 之间的DTW距离，是第i个选矿阶段的开始时间， 是第k个选矿阶段的结束时间,  是调参因子；
所述根据每类影响因素与前期选矿阶段影响因素的相关性以及与同向影响因素之间的相似性获取每类影响因素的阶段显著度的方法为：
式中， 是第i个选矿阶段第a类影响因素的阶段显著度， 是由第a类影响因素的关联度与前i‑1个阶段所有影响因素关联度组成的长期关联序列， 是DFA去趋势算法获取的长期关联序列 的DFA值，是判断阈值， 是第i个阶段内第a类影响因素与其同向影响因素之间的拟合曲线的皮尔逊相关系数的均值。
2.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述获取选矿各阶段影响因素的参数，利用数据流的形式将经过均值填充处理后各阶段影响因素的参数导入大数据平台的方法为：
利用选矿系统中的底层控制系统获取选矿各阶段内的影响因素的参数，所述各阶段包括竖炉磁化焙烧阶段、磨矿阶段、强磁选阶段、弱磁选阶段以及反浮选阶段；
利用均值填充法对所有影响因素的参数进行预处理，将预处理后的所有参数以数据流的形式导入Hadoop大数据平台的存储系统中。
3.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述根据各阶段内各类影响因素参数取值与各阶段输出品位的拟合曲线获取各阶段影响因素的分类结果的方法为：
对于各阶段中的任意一类影响因素，利用移动最小二乘MLS算法获取每一类影响因素与其所属阶段输出品位的拟合曲线，根据拟合曲线获取每一类影响因素与其所属阶段精矿品位的相关关系，将与所述阶段输出品位存在正相关关系的影响因素作为正向影响因素，将与所述阶段输出品位存在负相关关系的影响因素作为负向影响因素。
4.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述根据各阶段每类主影响因素的信息增益、取值差分序列以及各阶段输出品位的输出差分序列获取各类主影响因素的阶段决策指数的方法为：
式中， 是第a类主影响因素的影响显著比， 是第i个选矿阶段第a类主影响因素的信息增益， 是第i个选矿阶段所有主影响因素信息增益的均值， 是 个第a类主影响因素不同取值之间的差值组成的取值差分序列， 是 个第i个选矿阶段输出品位差值组成的输出差分序列， 是差分序列 、 之间的皮尔逊相关系数，n是第a类主影响因素的取值数量， 、 分别是第a类影响因素取值差值序列、第i个阶段输出品位输出差分序列的信息熵， 是第i个选矿阶段第a类主影响因素的阶段决策指数。
5.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述根据各阶段主影响因素的阶段决策指数得到主影响因素的聚类结果以及关键指标的具体方法为：
对于任意两类主影响因素，分别获取每类主影响因素所属阶段内所有主影响因素阶段决策指数最大值与每类主影响因素的差值，将两个差值的作差结果作为两个差值对应主影响因素聚类时的度量距离，利用K‑means聚类算法获取所有主影响因素的聚类结果；
获取每个聚类簇内所有主影响因素阶段决策指数的均值，将阶段决策指数均值最大值对应的聚类簇内各阶段的主影响因素作为各阶段的关键指标。
6.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述根据每个选矿阶段的关键指标和选矿工艺流程顺序获取决策序列以及数据序列的方法为：
获取各阶段的关键指标，将每个选矿阶段的关键指标按照选矿工艺流程顺序组成的序列作为决策序列，获取各阶段关键指标的实时采集数据，将各选矿阶段关键指标的实时采集数据按照选矿工艺流程顺序组成的序列作为数据序列。
7.一种智能分拣过程中参数动态预测系统，包括存储器、处理器以及存储在所述存储器中并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1‑6任意一项所述方法的步骤。