1.一种基于时序循环神经网络的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、原始数据采集，原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据；

步骤2、采用时序分析方法分别预处理各项原始数据，过程如下：步骤2.1、假设每一个指标的原始数据都是有M通道的时序信号，将指标A记为{A}＝{a1，a2，...，aM}，选取其中一个通道的信号a1∈A作为处理对象并简记为a，对a进行分解；

i

步骤2.2、对a加入I组高斯白噪声生成新信号a，表示为：ai＝a+βkwi     ⑴

其中，wi为一组高斯白噪声变量，βk为分解信号与所添加噪声信噪比的倒数；

步骤2.3、对ai进行模态分解处理后得到第1个余项r1，以及第1个分解波 如下：r1＝

步骤2.4、对于余下的rk(k＝2，3，…，K)，K是模拟函数的总数，并得到第k个分解波如下所示：rk＝    ⑵针对不同的指标，分别重复以上步骤2，得到所有的模拟数据；

步骤3、采用循环神经网络预测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，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，q是[0,10]之间的常数；

步骤3.2、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：h(t)＝σ(z(t))＝σ(Ux(t)+Wh(t-1)+b)   ⑸o(t)＝Vh(t)+c     ⑹

其中，x(t)代表t时刻训练样本的输入；h(t)代表t时刻模型的隐藏状态，h(t)由x(t)和h(t-1)共同决定；o(t)代表t时刻模型的输出，o(t)只由模型当前的隐藏状态h(t)决定；y(t)代表t时刻训练样本序列的真实输出；U，W，V这三个矩阵是模型的线性关系参数；

步骤3.3、设定网络的期望误差最小值、最大迭代次数和学习率；

步骤3.4、将所述预处理后的时序模拟训练数据输入到已创建的循环神经网络，并且训练循环神经网络，计算损失函数：步骤3.5、根据误差调整循环神经网络的各层权值，其中V，c的梯度计算如下：在反向传播时，在某一序列位置t的梯度损失由当前位置的输出对应的梯度损失和序列索引位置t+1时的梯度损失两部分共同决定，对于W在某一序列位置t的梯度损失需要反向传播一步步地计算，定义序列索引t位置的隐藏状态的梯度为：W，U，b的梯度计算表达式：

c，b为偏置值；

步骤3.6、判断循环网络是否收敛，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，所述循环神经网络训练完成。

步骤3.7、将所述时序分析预处理的模拟数据输入到所述训练完成的循环神经网络中，输出PM2.5浓度值的最终预测值。

2.如权利要求1所述的一种基于时序循环神经网络的PM2.5浓度值预测方法，其特征在于：所述步骤1中，所述PM2.5浓度值指标历史数据包括空气质量指数AQI、PM10、二氧化硫SO2、一氧化碳CO、二氧化碳CO2和臭氧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。

3.一种如权利要求1所述的一种基于时序循环神经网络的PM2.5浓度值预测方法实现的系统，其特征在于：所述系统包括原始数据预处理单元和循环神经网络单元；

所述原始数据预处理单元，用于将收集到的原始数据按照时间序列分别进行降噪滤波处理，分解得到模拟序列；

所述循环神经网络单元，用于将t时刻的模拟序列以及t-1时刻的隐含层输出值作为输入层的t时刻输入数据，加权相加得到输入层t时刻的输出值，经激活函数后作为隐含层t时刻的输入值，再经加权相加后得到隐含层t时刻的输出值，经激活函数后得到输出数据。