1.一种结合SOFM网与BP神经网络的雾霾预测模型建立方法，其特征在于，包含如下步骤：

S1、获取SOFM训练用数据，所述SOFM训练用数据包含多个数据子样本，每个数据子样本包含多个模式，每个模式包含多个影响因素的值以及与该模式的影响因素对应的AQI值；其中，所述模式按照一天的时间段进行划分，每个模式代表一个时间段；

S2、将SOFM训练用数据输入至SOFM网进行训练直至达到预设的学习效率；

S3、分别获取每个所述数据组中各个所述模式下的下一时间的AQI值；

S4、将SOFM网训练后的数据以及所述下一时间的AQI值输入至BP神经网络进行训练，训练时以SOFM网训练后一个模式所对应的各个影响因素的值作为输入，该模式下的下一时间的AQI值作为对应的输出；

其中，训练完成的模型用于对雾霾进行预测；训练完成的模型对于每一个结果的预测：是以实际获取的一个模式下的所述多个影响因素的值及对应的AQI值作为输入，下一时刻的AQI值作为预测结果。

2.根据权利要求1所述的结合SOFM网与BP神经网络的雾霾预测模型建立方法，其特征在于，所述多个影响因素具体是指湿度、温度、风速、降雨量、PM10、PM2.5、SO2、NO2、CO、O3十类影响因子。

3.根据权利要求1所述的结合SOFM网与BP神经网络的雾霾预测模型建立方法，其特征在于，所述BP神经网络中隐含层的节点数通过下式进行确定：式中，m为节点数，n为所述多个影响因素的个数，l为BP神经网络的输出节点数，[x]表示不大于x的最大正整数。

4.根据权利要求1所述的结合SOFM网与BP神经网络的雾霾预测模型建立方法，其特征在于，所述BP神经网络中隐含层和输出层中所采用的变换函数均为单极性Sigmoid函数。

5.根据权利要求1所述的结合SOFM网与BP神经网络的雾霾预测模型建立方法，其特征在于，还包括下述步骤：

获取测试用数据，利用步骤S1‑S4对测试数据进行处理得到AQI的测试结果，将测试结果与实际数值进行比对，判断模型的预测准确度。

6.一种结合SOFM网与BP神经网络的雾霾预测模型建立系统，其特征在于，包含如下模块：

SOFM数据获取模块，用于获取SOFM训练用数据，所述SOFM训练用数据包含多个数据子样本，每个数据子样本包含多个模式，每个模式包含多个影响因素的值以及与该模式的影响因素对应的AQI值；其中，所述模式按照一天的时间段进行划分，每个模式代表一个时间段；

SOFM训练模块，用于将SOFM训练用数据输入至SOFM网进行训练直至达到预设的学习效率；

BP数据获取模块，用于分别获取每个所述数据组中各个所述模式下的下一时间的AQI值；

模型建立模块，用于将SOFM网训练后的数据以及所述下一时间的AQI值输入至BP神经网络进行训练，训练时以SOFM网训练后一个模式所对应的各个影响因素的值作为输入，该模式下的下一时间的AQI值作为对应的输出；

其中，训练完成的模型用于对雾霾进行预测；训练完成的模型对于每一个结果的预测：是以实际获取的一个模式下的所述多个影响因素的值及对应的AQI值作为输入，下一时刻的AQI值作为预测结果。

7.根据权利要求6所述的结合SOFM网与BP神经网络的雾霾预测模型建立系统，其特征在于，所述多个影响因素具体是指湿度、温度、风速、降雨量、PM10、PM2.5、SO2、NO2、CO、O3十类影响因子。

8.根据权利要求6所述的结合SOFM网与BP神经网络的雾霾预测模型建立系统，其特征在于，所述BP神经网络中隐含层的节点数通过下式进行确定：式中，m为节点数，n为所述多个影响因素的个数，l为BP神经网络的输出节点数，[x]表示不大于x的最大正整数。

9.根据权利要求6所述的结合SOFM网与BP神经网络的雾霾预测模型建立系统，其特征在于，所述BP神经网络中隐含层和输出层中所采用的变换函数均为单极性Sigmoid函数。

10.根据权利要求6所述的结合SOFM网与BP神经网络的雾霾预测模型建立系统，其特征在于，还包括下述模块：

模型验证模块，用于获取测试用数据，利用步骤S1‑S4对测试数据进行处理得到AQI的测试结果，将测试结果与实际数值进行比对，判断模型的预测准确度。