1.一种基于多示例遗传神经网络的室内PM2.5预测方法，其特征在于，包括以下步骤：(1)数据采集与特征选取：设定采样时间和采样时间间隔，采集当前时间t对应的当前室外温度wout、当前室内温度win、当前室外湿度sout、当前室内湿度sin、当前室外PM2.5浓度pout数据，当前室外温度wout、当前室内温度win、当前室外湿度sout、当前室内湿度sin、当前室外PM2.5浓度pout为输入参数，将每小时内采集的输入参数数据作为一个样本，删除由于传感器初始检测时不稳定造成的噪声数据；

(2)构建多示例遗传神经网络预测模型；

(3)根据多示例遗传神经网络预测模型预测室内PM2.5浓度m；

所述构建多示例遗传神经网络预测模型的具体步骤为：步骤1：定义预测模型

m＝F(t,pout,win,wout,sin,sout,v)，其中，m表示当前室内PM2.5浓度，v表示当前房间室内通风率，v＝S×|wout-win|，

其中，S为窗口打开的面积；

步骤2：将样本中的每个输入参数数据进行归一化处理，使之分布在[-1,1]的间隔中，其中A表示样本中同一输入参数下的所有数据，a表示属于A输入参数下的单个数据；

步骤3：设定示例Bij、阈值e1和阈值e2：N个样本作为N个数据包，每个数据包中有M个示例，每个示例为一个7维的特征向量，第i个数据包Bi中的第j个示例为[Bij1,Bij2,...,Bij7]T；

步骤4：初始化网络结构，然后初始化种群，使用种群中的个体对数据集进行回归训练，得到预测值Yij，计算适应度函数f＝1/SSE，其中，Li为第i个数据包中的示例实际值的平均值；

步骤5：进化操作，产生下一代种群，当适应度函数f的最小值小于阈值e1或者进化代数达到100代，则选取适应度函数f的最小值对应的网络权值作为最优权值，否则返回步骤4进行下一轮的寻优；

步骤6：计算第i个数据包Bi的误差Ei，

步骤7：计算全局误差函数E，

当E小于阈值e2，循环结束，否则根据E修正最优个体网络权值，返回步骤6。

2.根据权利要求1所述的一种基于多示例遗传神经网络的室内PM2.5预测方法，其特征在于，所述采样时间为夏季、秋季、冬季各自连续7天，所述采样间隔为全天24小时每隔1分钟进行一次采样。

3.根据权利要求1所述的一种基于多示例遗传神经网络的室内PM2.5预测方法，其特征在于，所述初始化网络结构步骤包括设置输入层、输出层神经元的个数。

4.根据权利要求1所述的一种基于多示例遗传神经网络的室内PM2.5预测方法，其特征在于，所述室内为室内高度为1.5米呼吸带区域。