1.一种基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，包括以下步骤：

1)识别管道土壤腐蚀因素，再根据管道土壤腐蚀因素构建埋地管道土壤腐蚀指标体系，然后获取埋地管道土壤腐蚀的原始样本指标，并构建原始样本集{xij|i＝1,2,L,m,j＝

1,2,L,n}，其中，xij为第i个管道样本的第j个指标值，m及n分别为监测点管道序号总数及管道土壤腐蚀指标的维数；

2)对步骤1)得到的原始样本指标值进行离散化处理，再根据离散化后的条件属性集及决策属性集建立决策表；

3)采用RS理论中的属性约简删除决策表中的冗余指标，得管道核心指标样本集；

4)对步骤3)得到的管道核心指标样本集进行归一化处理；

5)将步骤4)得到的归一化处理后的管道核心指标样本集分为训练样本集及测试样本集，再将训练样本作为GRNN输入的训练集；

6)构建RS-PSO-GRNN土壤腐蚀预测模型，再将步骤5)得到的训练集输入至RS-PSO-GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚。

2.根据权利要求1所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤4)中归一化处理的结果为：其中，max(xj)及min(xj)分别为第j个指标的最大值及最小值， 为归一化后的指标特征值。

3.根据权利要求1所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤6)中的RS-PSO-GRNN土壤腐蚀预测模型以GRNN输出的均方根误差最小为优化目标函数，以改进粒子群算法为求解该优化目标函数的方法。

4.根据权利要求3所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，优化目标函数为：其中，n为样本数， 为第i个样本的GRNN的输出值，yi为第i个样本的实际值，fRMSE为GRNN的均方根误差。

5.根据权利要求1所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，改进粒子群算法具体为：

1a)分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进；

2a)设初始化种群个数为n，最大迭代次数为N，随机生成n个初始粒子X＝(X1,X2,L Xn)，其中，第i个粒子的位置向量及速度向量分别为Xi＝(xi1,xi2,L xiD)T及Vi＝(Vi1,Vi2,L ViD)T，其历史迭代的最优位置Pi＝(Pi1,Pi2,L PiD)T，全体粒子的迭代最优位置Pg＝(Pg1,Pg2,L PgD)T，D为单个样本的维度；

3a)以GRNN的均方根误差为优化目标，计算各粒子的初始适应度值，再将计算得到的所有粒子的初始适应度进行对比，得到并记录初始适应度值最优的粒子的位置向量及速度向量；

4a)通过更新公式更新粒子的速度及位置；

5a)计算当前各粒子的适应度值，再将当前粒子的适应度值与上一次迭代得到的粒子的适应度值进行比较，并按照择优保留公式进行择优保留，然后更新各粒子的位置及速度；

6a)判断迭代次数是否大于等于预设值、迭代精度是否达到预设目标，当迭代次数大于等于预设值时或者当迭代精度达到预设目标时，则输出最优结果，否则，则转至步骤4a)。

6.根据权利要求5所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤5a)中的择优保留公式为：其中， 为第i个粒子第k次迭代得到的适应度值， 为第i个粒子第k+1次迭代得到的适应度值。

7.根据权利要求5所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤4a)中的更新公式为：其中，d＝1,2,L,D，i＝1,2L n，k为当前迭代次数，r1,r2在[0，1]区间随机取值。

8.根据权利要求5所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤1a)中，分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进，其中，其中， 为第i个粒子在第k次迭代中的取值，N为预先设定的最大迭代次数，ωmax及ωmin分别为最大惯性权重及最小惯性权重，c1及c2均为学习因子，c1为单调递减函数，c2为单调递增函数，c1及c2的取值范围均为[0,2]。