1.一种列车车内空气品质监测与通风调控方法，其特征在于，包括以下步骤：步骤1，采集多组车内空气品质检测数据和车外空气品质检测数据；

步骤2，利用步骤1中的车内空气品质检测数据求得车内空气综合评价指标Q0，利用步骤

1中的车外空气品质检测数据求得车外空气综合评价指标Q1；

步骤3，判断步骤2中求得的Q0与Q1的大小关系，若Q0≥Q1，则跳转至步骤41；否则，跳转至步骤51；

步骤41，按照下述方法训练车外新风量控制模型：

挑选n1组不同程度的Q0≥Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；

设置高速列车通风系统(501)的通风量等级为G1级；

对于n1组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级，作为每组实验数据对应的通风量等级标签；

以n1组实验数据作为输入，以n1组实验数据对应的通风量等级标签作为输出，训练得到车外新风量控制模型；

步骤51，按照下述方法训练车内空气净化控制模型：

挑选n2组不同程度的Q0＜Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；

设置高速列车通风系统(501)的通风量等级为G1级，设置空气净化装置(502)的功率值等级为G2级；

对于n2组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级和最小空气净化装置功率等级，将得到的最小通风量等级作为每组实验数据对应的通风量等级标签，将得到的最小空气净化功率等级作为每组实验数据对应的空气净化装置功率等级标签；

以n2组实验数据作为输入，以n2组实验数据对应的通风量等级标签和空气净化装置功率等级标签作为输出，训练得到车内空气净化控制模型；

步骤6，检测车内空气品质检测数据和车外空气品质检测数据；

步骤7，利用步骤6中的车内空气品质检测数据求得车内空气综合评价指标Q0，利用步骤

6中的车外空气品质检测数据求得车外空气综合评价指标Q1；

步骤8，判断步骤7中求得的Q0与Q1的大小关系：

若Q0≥Q1，则调用车外新风量控制模型，求得需要的通风量等级并以该通风量等级对高速列车通风系统(501)进行调控；

否则，调用车内空气净化控制模型，求得需要的通风量等级及空气净化装置功率等级，并以该通风量等级对高速列车通风系统(501)进行调控、以该空气净化装置功率等级对空气净化装置(502)进行调控。

2.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，车内空气品质检测数据和车外空气品质检测数据均包括CO2浓度、NO2浓度、SO2浓度、PM2.5浓度、VOC浓度、粉尘浓度中的一种或多种。

3.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，车内空气品质检测数据和/或车外空气品质检测数据采用多点监测方式得到。

4.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，车内空气综合评价指标Q0计算方法为：车外空气综合评价指标Q1计算方法为：

其中，p1、p2、p3、p4、p5、p6为各污染物对应的权值。

5.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，所述步骤

41中，采用BP神经网络算法训练车外新风量控制模型，其中BP神经网络的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得，包括：步骤A1：以量子粒子群中每个量子粒子个体的位置向量作为所述BP神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数；

量子粒子群种群的个数的取值范围为[25,70]，量子粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；

步骤A2：设定适应度函数，确定初始最优量子粒子个体位置向量和迭代次数t，t＝1；

将量子粒子个体位置向量对应的权值和阈值代入基于BP神经网络的车外新风量控制模型中，并利用量子粒子个体位置向量确定的基于BP神经网络的车外新风量控制模型确定识别向量标签的种类，将输出的向量标签和实际的向量标签的均方差的倒数作为第二适应度函数；

步骤A3：计算每个量子粒子群的群体适应度方差，进行早熟收敛判断；

若量子粒子群群体适应度方差小于早熟收敛判断阈值γ，则对量子粒子群中δ％的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体；

步骤A4：判断是否组建精英种群；

当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤A8，否则转入步骤A5；

步骤A5：更新各种群粒子参数；

步骤A6：重新计算并比较每个粒子的适应度值，如果优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，令t＝t+1，转入步骤A3；

步骤A7：精英种群继续进化；

步骤A8：判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤A3，直到找到全局最优值，输出所述BP神经网络的权值和阈值。

6.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，所述步骤

51中，采用灰色神经网络算法训练车内空气净化控制模型，其中灰色神经网络的权值和阈值采用混沌蝙蝠算法进行优化选择获得，包括：步骤B1：以蝙蝠个体位置作为基于灰色神经网络模型的车内空气净化控制模型的权值和阈值，初始化蝙蝠种群，并设置蝙蝠种群参数；

蝙蝠种群规模的取值范围为[200，500]，蝙蝠个体最大脉冲频度r0的取值范围为[0.25,

0.5]，最大脉冲声音强度A0的取值范围为[0.25,0.5]，最大迭代次数的取值范围为[150，

300]，搜索精度的取值范围为[0.001,0.1]，脉冲频率的取值范围为[0,1.5]，蝙蝠搜索频度增加系数的取值范围为[0.02,0.08]，声音强度衰减系数的取值范围为[0.8，0.96]，最大迭代次数的取值范围为[100,500]，最大搜索精度的取值范围为[0.01,0.1]；

步骤B2：设定适应度函数，并确定初始最优蝙蝠个体位置和迭代次数t，t＝1；

将蝙蝠个体位置对应的权值和阈值代入基于灰色神经网络模型的车内空气净化控制模型中，并利用蝙蝠个体位置确定的基于灰色神经网络模型的车内空气净化控制模型得到检测结果，将检测结果和实际情况的差值E构建第一适应度函数f1(x)，f1(x)＝1/(E+1)；

利用第一适应度函数计算每只蝙蝠个体位置的适应度，以最大适应度对应的蝙蝠个体位置作为初始最优蝙蝠个体位置；

步骤B3：利用设定的脉冲频率对蝙蝠个体的速度以及位置进行更新；

步骤B4：若Rand1＞ri，则对处于个体最优位置的蝙蝠进行随机扰动，生成蝙蝠个体的扰动位置；

其中，Rand1为在[0,1]上均匀分布的随机数，ri为第i只蝙蝠的脉冲频度；

步骤B5：若Rand2＞Ai，蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个体位置的适应度，则将蝙蝠个体移动到扰动位置，否则保持原位；

其中，Rand2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；

步骤B6：如果步骤B5条件得到满足，则利用蝙蝠搜索频度增加系数和声音强度衰减系数更新蝙蝠个体的脉冲频度和脉冲声音强度，并跳转步骤B4，否则跳转到步骤B7；

步骤B7：计算当前蝙蝠种群中每个蝙蝠个体位置的适应度，按照由大到小的顺序选出前m％个蝙蝠个体进行位置和速度的混沌优化，得到更新后的前m％个蝙蝠个体，m的取值范围为[5,20]；

步骤B8：判断是否达到最大迭代次数或者达到最大搜索精度，若是，则从更新后的前m％个蝙蝠个体中依据适应度值选出全局最优蝙蝠个体，输出全局最优蝙蝠个体对应的基于灰色神经网络的车内空气净化控制模型的最佳权值和阈值，否则，令t＝t+1，转到步骤B3继续下一次迭代。

7.一种列车车内空气品质监测与通风调控系统，其特征在于，包括：车内空气品质检测模块(1)：用于采集车内空气品质检测数据；

车外空气品质检测模块(2)：用于采集车外空气品质检测数据；

数据传输模块(3)：用于将采集的车内空气品质检测数据和车外空气品质检测数据传输至数据处理模块(4)：数据处理模块(4)：用于建模和调控；其中：

建模过程包括：

利用车内空气品质检测数据求得车内空气综合评价指标Q0，利用车外空气品质检测数据求得车外空气综合评价指标Q1；

在Q0≥Q1时按照下述过程训练得到车外新风量控制模型：

挑选n1组不同程度的Q0≥Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；

设置列车通风系统(501)的通风量等级为G1级；

对于n1组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级，作为每组实验数据对应的通风量等级标签；

以n1组实验数据作为输入，以n1组实验数据对应的通风量等级标签作为输出，训练得到车外新风量控制模型；

在Q0＜Q1时按照下述过程训练得到车内空气净化控制模型：

挑选n2组不同程度的Q0＜Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；

设置列车通风系统(501)的通风量等级为G1级，设置空气净化装置(502)的功率值等级为G2级；

对于n2组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级和最小空气净化功率等级，将得到的最小通风量等级作为每组实验数据对应的通风量等级标签，将得到的最小空气净化装置功率等级作为每组实验数据对应的空气净化功率等级标签；

以n2组实验数据作为输入，以n2组实验数据对应的通风量等级标签和空气净化功率等级标签作为输出，训练得到车内空气净化控制模型；

调控过程包括：

获得车内空气品质检测数据和车外空气品质检测数据；

利用车内空气品质检测数据求得车内空气综合评价指标Q0，利用车外空气品质检测数据求得车外空气综合评价指标Q1；

若Q0≥Q1，则调用车外新风量控制模型，求得需要的通风量等级并以该通风量等级对列车通风系统(501)进行调控；

否则，调用车内空气净化控制模型，求得需要的通风量等级及空气净化装置功率等级，并以该通风量等级对高速列车通风系统(501)进行调控、以该空气净化装置功率等级对空气净化装置(502)进行调控；

通风调控模块(5)：包括通风系统(501)和空气净化装置(502)；其中，通风系统(501)用于根据数据处理模块(4)输出的通风量等级对列车执行通风工作，空气净化装置(502)用于根据数据处理模块(4)输出的空气净化装置功率等级对列车执行空气净化工作。

8.如权利要求7所述的列车车内空气品质监测与通风调控系统，其特征在于，车内空气品质检测模块(1)和车外空气品质检测模块(2)均包括CO2浓度传感器、NO2浓度传感器、SO2浓度传感器、PM2.5浓度传感器、VOC浓度传感器、粉尘浓度传感器中的一种或多种。

9.如权利要求7所述的列车车内空气品质监测与通风调控系统，其特征在于，所述车内空气品质检测模块(1)包括若干车内空气品质检测装置(101)，每节车厢的头部、中部和尾部分别设置一个车内空气品质检测装置(101)；

所述车外空气品质检测模块(2)包括若干车外空气品质检测装置(201)，每节车厢的各通风管道的外界空气进口处均设置一个车外空气品质检测装置(201)；

每三节车厢共用一个数据处理模块(4)。

10.如权利要求7所述的列车车内空气品质监测与通风调控系统，其特征在于，所述数据传输模块(3)包括无线传输模块(301)。