1.一种运动员比赛表现预测模型训练方法，其特征在于，包括以下步骤：
获取运动员历史表现评价数据集；
获取运动员热身赛表现评价数据集；
整合所述运动员历史表现评价数据集和所述运动员热身赛表现评价数据集，得到比赛运动员表现预测特征数据集；
基于所述比赛运动员表现预测特征数据集，训练基于多层感知器的深度神经网络预测模型。
2.如权利要求1所述的运动员比赛表现预测模型训练方法，其特征在于，还包括以下步骤：
对运动员表现历史数据和运动员热身表现数据均进行特征重要性分析，得到所述运动员历史表现评价数据集和所述运动员热身赛表现评价数据集。
3.如权利要求2所述的运动员比赛表现预测模型训练方法，其特征在于，还包括以下步骤：
获取运动员表现历史数据；
对所述运动员表现历史数据进行预处理，得到历史表现数据集；
根据所述历史表现数据集训练第一预测模型，所述第一预测模型用于输出运动员在下一场比赛首发上场的概率；
结合所述第一预测模型对所述历史表现数据集进行特征重要性分析以优化所述历史表现数据集，得到所述运动员历史表现评价数据集。
4.如权利要求2所述的运动员比赛表现预测模型训练方法，其特征在于，还包括以下步骤：
获取运动员热身表现数据；
对所述运动员热身表现数据进行预处理，得到热身表现数据集；
根据所述热身表现数据集训练第二预测模型，所述第二预测模型用于输出运动员下一场比赛进球或不进球的分类预测；
结合所述第二预测模型对所述热身表现数据集进行特征重要性分析以优化所述热身表现数据集，得到所述运动员热身赛表现评价数据集。
5.如权利要求4所述的运动员比赛表现预测模型训练方法，其特征在于：
得到所述热身表现数据集后，根据所述热身表现数据集训练所述第二预测模型前，包括以下步骤：
对所述热身表现数据集进行特征提取，并且进行特征重要性分析筛选出具有影响力的特征；
确定数据标签，根据所述数据标签重新调整所述热身表现数据集。
6.如权利要求5所述的运动员比赛表现预测模型训练方法，其特征在于：
通过K均值聚类算法对所述具有影响力的特征进行分析，确定所述数据标签。
7.如权利要求4至6任一项所述的运动员比赛表现预测模型训练方法，其特征在于：
通过运动员穿戴的具有数据采集功能的装置采集得到所述运动员热身表现数据。
8.一种运动员比赛表现预测方法，其特征在于：
获取所述权利要求1至7任一项所述的深度神经网络预测模型；
获取运动员比赛前的热身数据；
根据所述深度神经网络预测模型输出所述运动员比赛前的热身数据对应的目标预测表现结果。
9.一种计算机装置，包括处理器和存储器，其特征在于：
所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现上述权利要求1至7任一项所述的运动员比赛表现预测模型训练方法或上述权利要求8所述的运动员比赛表现预测方法。
10.一种计算机程序产品，包括计算机指令，其特征在于：
所述计算机指令被处理器执行时实现上述权利要求1至7任一项所述的运动员比赛表现预测模型训练方法或上述权利要求8所述的运动员比赛表现预测方法。