1.一种基于混合神经网络的PM2.5浓度值预测方法，其特征在于：所述方法包括如下步骤：步骤1、四类样本数据采集，所述四类样本数据包括PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据、气象历史数据和PM2.5成分解析数据；

步骤2、采用第一神经网络初次预测PM2.5浓度值。过程如下：步骤2.1、创建一个包含输入层、隐含层、连接层和输出层的四层神经网络，设定隐含层和输出层的节点数，所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：上式中，m和n分别为输入层和输出层的神经元个数，a是[0,10]之间的常数；

步骤2.2、分别设定隐含层、连接层和输出层的训练函数、连接函数和输出函数，设定网络的期望误差最小值、最大迭代次数和学习率；

步骤2.3、将所述PM2.5浓度值历史数据作为第一神经网络输入数据，并将第一神经网络输入数据分成第一神经网络训练数据和第一神经网络测试数据，将所述第一神经网络训练数据归一化处理，归一化公式如下：上式中，x为所述待归一化的数据，xmin和xmax分别为所述新的样本数据中的最小值和最大值，y为归一化后的数据，分布在[0.1,0.9]区间；

步骤2.4、将所述第一神经网络训练数据输入到已创建的第一神经网络中训练第一神经网络，计算误差，并根据误差调整第一神经网络权值；

步骤2.5、判断所述第一神经网络是否收敛，当误差小于期望误差最小值时，算法收敛。

在达到最大迭代次数时结束算法，所述第一神经网络训练完成；

步骤2.6、将所述第一神经网络测试数据输入所述训练好的第一神经网络，得到PM2.5浓度值的初步预测值；

步骤2.7、将所述PM2.5浓度值的初步预测值与所述的PM2.5浓度值相关指标历史数据和气象历史数据合并作为第二神经网络输入数据；

步骤3、采用第二神经网络二次预测PM2.5浓度值，过程如下：步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数；

步骤3.2、设定所述第二神经网络的训练函数，设定网络的期望误差最小值、最大迭代次数和学习率；

步骤3.3、将所述第二神经网络输入数据分为第二神经网络训练数据和第二神经网络测试数据，将所述第二神经网络训练数据进行归一化处理；

步骤3.4、将所述归一化后的第二神经网络训练数据输入到已创建的第二神经网络，并且训练第二神经网络，计算误差，并根据误差调整第二神经网络权值；

步骤3.5、判断所述第二神经网络是否收敛，当误差小于期望误差最小值时，算法收敛。

在达到最大迭代次数时结束算法，所述第二神经网络训练完成；

步骤3.6、将所述第二神经网络测试数据输入到所述训练完成的第二神经网络中，输出PM2.5浓度值的二次预测值，将所述PM2.5浓度值的二次预测值和PM2.5成分解析数据合并作为第三神经网络输入数据；

步骤4、采用第三神经网络最终预测PM2.5浓度值，过程如下：步骤4.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数；

步骤4.2、设定所述第三神经网络的训练函数，设定网络的期望误差最小值、最大迭代次数和学习率；

步骤4.3、将所述第三神经网络数据分为第三神经网络训练数据和第三神经网络测试数据，将所述第三神经网络训练数据进行归一化处理；

步骤4.4、将所述归一化后的第三神经网络训练数据输入到已创建的第三神经网络，并训练第三神经网络，计算误差，并根据误差调整第三神经网络权值；

步骤4.5、判断所述第三神经网络是否收敛，当误差小于期望误差最小值时，算法收敛；

在达到最大迭代次数时结束算法，所述第三神经网络训练完成；

步骤4.6、将所述第三神经网络测试数据输入到所述训练完成的第三神经网络中，输出PM2.5浓度值的最终预测值。

2.如权利要求1所述的一种基于混合神经网络的PM2.5浓度值预测方法，其特征在于：所述步骤1中，所述PM2.5浓度值相关指标历史数据包括空气质量指数AQI、PM10、SO2、CO、CO2和O3，所述气象历史数据包括平均气温、露点、相对湿度、压强、风速和降水量，所述PM2.5成分解析数据包括机动车保有量、工业废气排放量和用电量。