1.一种VOCs气体浓度预测方法，其特征在于，包括如下步骤：(1)实时采集VOCs气体浓度以及气象数据；并对数据进行预处理；

(2)建立基于CKF的多传感器数据融合模型，对多变量数据进行局部、全局融合；

(3)建立GCN‑TCN时空关联模型，将步骤(2)中得到的融合数据以及预处理过的历史实测数据送入GCN‑TCN时空关联模型中进行时空特征提取；

(4)利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN‑TCN时空关联模型的参数，搜寻两模型参数的最优解；所述改进的AOS算法包括采用拉丁超立方代替其原来的随机初始化、多元学习提高原子轨道搜索算法的全局搜索能力；

(5)利用步骤(4)中训练优化后的GCN‑TCN时空关联模型对化工园区的敏感区域的VOCs气体浓度进行预测，并通过云平台数据可视化实时显示；

所述步骤(4)实现过程如下：

(41)初始化相关参数：最大迭代次数、电子云数量、维度大小、电子在搜索空间的上界与下界；

(42)定义电子X：

其中，Xi表示第i个电子，即电子在搜索空间中的信息，m表示搜索空间中电子的数量，d表示电子的维度； 为电子中第i个电子的第j个变量信息；

(43)使用拉丁超立方初始化方法代替原AOS算法中的随机初始化方法，其公式如下：其中，lbj,i为第p个电子云的第j个维度的下界，ubj,i为第p个电子云的第j个维度的上界，Aj表示第p个电子云所在的子搜索空间，RFP为全排列操作，n表示电子云数量，d表示维度，Xp表示第p个电子云的初始化值，rand为一个取值为[0,1]的随机值；

(44)确定电子的适应度值，即敏感区域中VOCs气体浓度的预测值和实测值的偏差：其中，E表示适应度值的向量，具有较低适应度值的电子表示敏感区域VOCs气体浓度的预测值和实测值的偏差值较小；Ei为第i个电子的适应度值；m是搜索空间内电子的数量；Hp(t)为t时刻VOCs气体浓度预测值，Ho(t)为t时刻VOCs气体浓度实测值；

(45)利用概率密度函数PDF确定电子在虚拟层中的位置：其中， 为第k层第i个电子，n为最大虚拟层数，p为第k层电子的总数，d是维度， 为第k层第i个电子的适应度值；

(46)利用每个虚拟层中电子的位置和适应度值的平均值来表示该层电子的结合态和结合能：k k

其中，BS和BE分别为第k层的结合态和结合能， 和 为第k层第i个电子的位置和适应度值；

利用搜索空间中所有电子的位置和适应度值的平均值来确定原子的结合态和结合能，此过程的数学公式表示为：其中，BS和BE分别为原子的结合态和结合能，Xi和Ei为第i个电子的位置和适应度值；m是搜索空间中电子的总数；

(47)引入多元学习策略更新电子云中每个电子的位置：将电子云随机分为两部分，一部分电子从当前电子云和历史电子云中学习，其余元素从当前电子云中的最优电子中学习：其中，h是小于电子云大小的正整数且h≠p；Xh,j表示当前电子云中h个电子的第j个变量；a和b是从0到1的随机数；Cbest,j是当前电子云最优电子的第j个变量；

(48)电子 的位置更新，通过不同位置更新策略搜寻最优参数，使得敏感区域VOCs气体浓度的预测值和实测值的偏差值降低；

(49)通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤(45)，最终在最大迭代次数内输出算法迭代出的模型最优参数，使得敏感区域VOCs气体浓度的预测值和实测值的偏差值最低。

2.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述VOCs气体包括胺类、苯类、硫化物、酮类和醛类；所述气象数据包括湿度、温度、风速、能见度和气压。

3.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述步骤(1)实现过程如下：(11)把化工园区的敏感区域划分N个空间网格；

(12)每个空间网格分别布置对VOCs气体浓度以及气象数据进行采集的多种类传感器阵列；所述对VOCs气体浓度进行检测的传感器为具有相应敏感材料的半导体式气体传感器；所述对气象数据进行检测的传感器分别为温湿度传感器、风速风向传感器、气象能见度传感器和气压传感器；

(13)通过数据预处理填补缺失值、光滑噪声数据、平滑和删除离群点。

4.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述步骤(2)实现过程如下：(21)将N个网格的多测点多种类传感器分别放入子滤波器进行数据融合处理，得到每个网格的局部最优估计；

(22)将每个网格的局部最优估计送入主滤波器实现全局最优融合；所述主、子滤波器均采用CKF进行数据融合；融合公式如下：其中，m表示全局数据融合输出的参数，Xm为化工敏感区域的VOCs气体浓度的全局估计，Pm为化工敏感区域VOCs气体浓度全局估计的协方差矩阵；Xi为第i个网格的VOCs气体浓度局部估计； 为第i个网格VOCs气体浓度局部估计协方差矩阵的逆，表示VOCs气体浓度估计信息的信息量；N表示网格数的总量；

(23)全局数据融合按照信息分配原则形成的信息分配量，向局部数据融合进行信息反馈：式中，k表示时刻，βi是信息分配系数。

5.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述步骤(3)实现过程如下：(31)将包含日期的VOCs气体浓度数据、气象数据送入输入层，并进行线性转换；

(32)通过时空层的门控TCN进行时间特征提取：

定义空洞因果卷积：因为要处理包含空间和时间信息的二维数据，设二维卷积滤波器F＝(f1×1,f1×2,..,f1×V)，设时间序列X＝(x1,x2,…,xt)，则在xt处的空洞卷积计算公式如下：式中，V为是滤波器内核大小，d为空洞因子，f(i)为滤波器内核中的第i个元素；xt‑d×i为过去的时间方向；

使用门控激活单元来动态调节输入信号，门控激活函数使用tanh激活函数和sigmoid激活函数；每层的门控机制决定了传递到下一层的信息的比例；门控TCN仅包含一个输出(l) (l+1)门，对于给定的l层输入h ，其输出h 公式如下所示：(l) (l)

其中， b 和c 是可优化的模型参数，g(·)为tanh激活函数，σ(·)为sigmoid函数，⊙为元素相乘点积；

(33)通过GCN对数据进行空间特征提取：

(l+1)

定义节点下一层的输入H ；通过邻接矩阵A和单位矩阵IN相加得到新的矩阵 从而不会忽略节点自身的信息；

(l+1) (l)

式中，H 表示经过卷积后节点在第l+1层的特征矩阵，σ表示激活函数，H 表示节点(l)在第l层的特征矩阵，W 第l层卷积的参数矩阵；

对矩阵 进行归一化：

式中，D为度矩阵，Aij表示节点和节点之间由边相连；处理之后的图卷积的运算公式为：(34)使用残差连接，并使用跳跃连接层连接输出层；

(35)输出层将输出数据进行线性转换，获得VOCs气体浓度的预测数据。

6.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述步骤(48)包括以下步骤：(481)如果每个电子的随机生成数 大于等于光子率PR，且特定层中的电子的适应度值大于等于该层的结合能，则认为电子运动受光子的发射作用影响：其中， 和 分别为第k层第i个电子的当前位置和未来位置，LE是原子中适应度值最低的电子，BS是原子的结合态，αi，βi和γi是包含随机生成的数的向量，这些数均匀分布在(0,1)范围内；

(482)如果每个电子的随机生成数 大于等于光子率PR，且特定层中的电子的适应度值低于该层的结合能，则认为电子运动受光子的吸收作用影响：k k

其中，LE是第k层适应度值最低的电子，BS为第k层的结合态；

(483)如果每个电子的随机生成数 小于光子率PR，电子的运动基于其他行为：其中，ri是一个包含随机生成的数的向量，这些数均匀分布在(0,1)的范围内。

7.一种采用如权利要求1至6任一所述方法的VOCs气体浓度预测系统，其特征在于，包括数据采集和预处理模块、数据融合模块、VOCs气体浓度预测模块和数据可视化模块；

所述数据采集和预处理模块对化工园区布置的空间多测点多种类传感器数据进行实时采集；并通过填补缺失值、光滑噪声数据、平滑和删除离群点对数据进行预处理；

所述数据融合模块利用基于CKF的多传感器数据融合模型，对采集的多变量数据进行局部和全局数据融合；

所述VOCs气体浓度预测模块，通过建构GCN‑TCN时空关联模型，进行时空特征提取，并利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN‑TCN时空关联模型的参数，搜寻两模型参数的最优解，实现对VOCs气体浓度的预测；

所述数据可视化模块，对VOCs气体浓度预测模块的预测结果通过云平台数据可视化实时显示；并根据VOCs事故风险评估预警指标体系划分预警等级。