1.一种基于记忆神经网络的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、污染物指标历史数据和气象历史数据；

步骤2、采用无监督训练方法预处理各项原始数据生成初始优化参数，过程如下：步骤2.1、定义vm为第m个可视单元的状态，hn表示第n个隐藏单元的状态，定义在状态上的能量函数为：其中，wmn表示连接权值，bm、bn表示偏置；

步骤2.2、根据可视单元和隐藏单元的任意配置，定义一个能量函数：其中，θ＝{w,b,c}是模型的参数；

步骤2.3、通过能量函数在{v,h}上定义概率分布：其中，exp-E(v,h)是系统处于状态{v,h}的相对概率，Z(θ)是系统的归一化常数；

步骤2.4、选择数据的对数似然函数作为目标函数：步骤2.4、用梯度下降的方法调整模型参数，得到记忆神经网络的初始优化参数：其中，ε是学习率，q是一个训练向量；

步骤3、采用记忆神经网络预测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，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；

步骤3.2、分别设定输入门限、遗忘门限和输出门限，以及当前单元的输出函数：i(t)＝σ(Wi·[h(t-1),x(t)]+bi)             ⑻f(t)＝σ(Wf·[h(t-1),x(t)]+bf)            ⑼o(t)＝σ(Wo·[h(t-1),x(t)]+bo)             ⑽其中，x(t)代表t时刻训练样本的输入；h(t)代表t时刻当前单元的输出；i(t)代表t时刻的输入门限；f(t)代表t时刻的遗忘门限；o(t)代表t时刻的输出门限；W和b分别是模型的连接权值和偏置；

步骤3.3、设定单元的状态函数和输出函数：

h(t)＝o(t)*tanh(C(t))                ⑾表示前一时刻单元状态，C(t)表示单元状态，h(t)表示当前单元的输出，h(t-1)表示前一时刻单元的输出；

步骤3.4、设定网络的期望误差最小值、最大迭代次数和学习率；

步骤3.5、将所述预处理后的初始优化参数和原始数据输入到已创建的循环神经网络，并且训练记忆神经网络，计算损失函数：步骤3.6、根据误差调整循环神经网络的各层权值，首先定义：输入门、输出门和遗忘门的误差反向传播如下：

控制门的激活函数用l表示，g，h分别表示单元的输入输出激活函数；

步骤3.7、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，所述记忆神经网络训练完成；

步骤3.8、将待测数据输入到所述训练完成的记忆神经网络中，输出PM2.5浓度值的最终预测值。

2.如权利要求1所述的一种基于记忆神经网络的PM2.5浓度值预测方法，其特征在于，所述步骤2中，使用了无监督参数训练方法对原始数据进行预处理，得到记忆神经网络的初始优化参数。

3.如权利要求1或2所述的一种基于记忆神经网络的PM2.5浓度值预测方法，其特征在于，所述步骤3中，通过记忆神经网络在每一个单元中放置输入门、遗忘门和输出门，根据规则对进入网络的信息进行判断是否有用：符合门限的信息会被保留，不符的信息则通过遗忘门被遗忘。

4.如权利要求1或2所述的一种基于记忆神经网络的PM2.5浓度值预测方法，其特征在于，所述步骤1中，所述污染物指标历史数据包括AQI、PM10、NO2、CO、SO2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。