1.一种针对目标路段的机动车尾气浓度连续时间预测方法，其特征在于，具体包括以下步骤：步骤S1，采集城市目标路段附近指定周期内的机动车尾气浓度数据；

步骤S2，对步骤S1所采集的机动车尾气浓度数据进行数据预处理。

步骤S3，构造eRCNN神经网络模型；

步骤S4，根据步骤S2预处理后的机动车尾气浓度数据，构造eRCNN神经网络的训练数据集和测试数据集；

步骤S5，将步骤S4中的训练数据集送入步骤S3中构造的eRCNN神经网络模型中，进行参数训练、预训练以及微调，逐步提高预测精度。

步骤S6，将经过步骤S5中训练、测试后的eRCNN神经网络作为针对目标路段的机动车尾气浓度连续时间预测模型，经过模型对输入数据的自主学习，预测出目标路段的机动车尾气浓度的发展趋势以及未来某时刻的尾气浓度值。

2.根据权利要求1所述的一种针对目标路段的机动车尾气浓度连续时间预测方法，其特征在于，所述步骤S1中机动车尾气浓度数据的采集方法具体包括：步骤S11，首先确定需要采集机动车尾气浓度数据的路段，包括预测的目标路段S以及其上下游的2m个路段。

步骤S12，收集一个月中若干个工作日每指定时间段的上述路段的城市机动车尾气浓度数据，构造时空输入矩阵X。

其中，xs，t表示目标路段S在t时刻的机动车尾气浓度，是需要预测目标，列向量x：t包含了在同一时刻t，目标路段S及其上下游各m个路段的机动车尾气浓度；行向量包含了对同一目标路段S，从t时刻到t之前n个时刻的机动车尾气浓度。按这种方式，输入矩阵X包含空间和时间上与预测目标xs，相邻的所有机动车尾气浓度信息。

3.根据权利要求1所述的一种针对目标路段的机动车尾气浓度连续时间预测方法，其特征在于，所述步骤S2中的数据预处理具体包括两个方面：A、缺失值填补：对于部分缺失的数据，采用缺失数据栅格区域时间上的前d个与后d个尾气排放数据取平均值的方法进行填补，从而保证数据的完备性和充足性，保证预测结果的准确性和可信度，本发明实施例d取值30。

B、归一化处理：所谓归一化处理，就是将数据映射到[0,1]或[-1,1]区间或更小的区间，保证不同数据范围的输入数据发挥相同的作用。本发明中以路段为单位，对该路段所有时刻的数据按下式进行归一化处理：其中x′i,j是第i个路段在j时刻归一化后的数据，xi,j是第i个路段在j时刻的原始数据，xi,max和xi,min分别是第i个路段所有时刻的数据中的最大值和最小值。

4.根据权利要求1所述的一种针对目标路段的机动车尾气浓度连续时间预测方法，其特征在于，所述eRCNN神经网络包括卷积层、池化层、误差反馈循环层和输出层四层结构。

5.根据权利要求4所述的一种针对目标路段的机动车尾气浓度连续时间预测方法，其特征在于，所述卷积层连接时空输入矩阵和若干可训练的滤波器，每个滤波器都是i*i的权重矩阵，第k个滤波器为Wk(C)，卷积层用第k个滤波器锯齿扫描时空输入矩阵，计算卷积神经元矩阵，第k个滤波器得到的卷积神经元矩阵的元素(p,q)的计算公式为：式中，bk是第k个过滤器的偏置量。

6.根据权利要求4所述的一种针对目标路段的机动车尾气浓度连续时间预测方法，其特征在于，所述池化层采用均值下降采样法对卷积神经元矩阵降维，将卷积神经元矩阵分为j*j个不相交的区域，用各区域的均值代表其中卷积神经元的特征，池化后的时空矩阵维度维数降为原来的1/(j*j)，通过向量化池化后的卷积神经元矩阵，输出一个特征向量。

7.根据权利要求4所述的一种针对目标路段的机动车尾气浓度连续时间预测方法，其特征在于，所述误差反馈循环层包括常规循环层神经元和误差反馈神经元，其中常规循环层神经元的输入是池化层输出的特征向量p、以及前一时间步的误差反馈循环层的向量值，式中 是第k个常规循环层神经元的连接权重向量，r(t-1)是t-1步的误差反馈循环层神经元向量， 是r(t-1)对应的权重向量， 是第k个常规循环层神经元的偏置量；

第k个误差反馈循环神经元在t预测步的值定义为：

式中 是第k个误差反馈循环神经元要训练的权重，向量e(t-1)是预测误差向量，是第k个误差反馈循环层神经元的偏置量；

其中，e(t)＝[y(t-1)-o(t-1)，...，y(t-l)-o(t-l)]式中y(t-l)是第t-l步的实际尾气污染物浓度，o(t-l)是第t-l步的预测值；

误差反馈循环层的输出是常规循环层神经元和误差反馈循环层神经元的组合：r＝[r(R)；r(E)]。

8.根据权利要求4所述的一种针对目标路段的机动车尾气浓度连续时间预测方法，其特征在于，所述误差反馈层的输出神经元r作为一个输出层的输入，输出层产生最终的预测值为：o＝σ(w(OR)r(R)+w(OE)r(E)+b(O))

所述输出层采用改进的ReLU函数作为激活函数：

9.根据权利要求1所述的一种针对目标路段的机动车尾气浓度连续时间预测方法，其特征在于，所述步骤S5中的参数训练通过小批量随机梯度下降法实现，Loss函数为：将训练数据集分为若干个小批量，对于一个小批量，计算相对于所有参数的L的偏导数，然后使用以下等式更新参数：其中α是一可调整的学习速率，L到参数的偏导数通过误差反向传播算法来计算；

所述步骤S5中的预训练，首先用基于Pearson相关系数的聚类算法，皮尔森相关系数公式如下：式中，ρ(si，sj)表示路段si和路段sj的Pearson相关系数，Si表示路段si的各属性值组成的向量，Sj同理，Cov(Si，Sj)表示Si和Sj的协方差，Var(Si)表示向量Si的方差，Var(Sj)同理；

设定Pearson相关系数的阈值为0.6，然后将位置上相邻且Pearson相关系数大于阈值的路段聚在一起，同一集合中各路段的机动车尾气浓度数据共享，共同训练出一个eRCNN模型；

使用预训练模型的参数作为参数的初始值，在预训练的模型基础上，用某路段给定时间段的尾气浓度数据微调参数。