1.一种基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，包括：(1)对原始空气数据集Air进行预处理，得到处理后的空气数据集A；

(2)采用Kohonen网络聚类，将数据集A分为m类，得到第k类数据集Ak，k∈[1,m]；

(3)采用ReliefF特征选择算法处理数据集Ak，得到第k类数据集Ak特征重要程度的排名Rk；

所述步骤3的具体包括：

(31)定义第k类数据集Ak的第f个特征，f∈[1,7×t]，f的初始值为1；

(32)定义数据集Ak为ReliefF算法的类别Fk1，其余类别为ReliefF算法的类别Fk2，k的初始值为1；

(33)定义Pk为类别Fk1在数据集A中所占的比例；

(34)定义diff(f,x,y)表示样本x与样本y在特征f上的差，如果x(f)＝y(f)，则diff(f,x,y)＝0，否则diff(f,x,y)＝1；

(35)从类别Fk1中随机选取一个样本x，选取与该样本距离最近的q个最近邻Hk，Hk＝{h1,h2,…,hr,…,hq}，从类别Fk2中选取与该样本距离最近的q个最近邻Mk，Mk＝{m1,m2,…,mr,…,mq}；

(36)令特征权重W(f)＝0；表示为：(37)f＝f+1；

(38)如果f>7×t，跳转到步骤(39)，否则跳转到步骤(35)；

(39)对特征权重W(f)进行排序，得到第k类数据集Ak的特征排名Rk；

(310)k＝k+1；

(311)如果k>m，跳转到步骤(312)，否则，跳转到步骤(34)；

(312)得到所有类别的特征排名R，R＝{R1,R2,…,Rk,…,Rm}；

(4)通过特征重要程度排名Rk，删去第k类数据集Ak排名后c个特征，得到第k类经过特征选择后的数据集Fk；

(5)通过NAR神经网络，用数据集Fk前t天的数据预测t+1天的空气质量指数，得到第k类NAR神经网络训练模型netk；

(6)根据数据集A中随即数据x所在类的特征排名Rz选取特征，用模型netz得到预测结果y；

所述步骤6具体包括：

(61)定义z为x所在的第z类，z∈[1,m]；

(62)令k＝1，dmin为dxk的最小值；

(63)计算Ak类的中心ak，即Ak中所有数据的平均值；

(64)计算x与ak的距离dxk，dxk＝||x‑dxk||；

(65)如果dmin>dxk，跳转到步骤(66)，否则跳转到步骤(68)；

(66)dmin＝dxk；z＝k；

(67)k＝k+1；

(68)如果k>m，跳转到步骤(69)，否则跳转到步骤(63)；

(69)令f＝7×t；

(610)查询特征f在Rz中的特征排名；

(611)如果f在特征排名Rz后c个，c∈[1,7×t‑1]，则跳转到步骤(612)，否则跳转到步骤(614)；

(612)如果f不是空气质量指数，则跳转到步骤(613)，否则跳转到步骤(614)；

(613)删除f所在特征；

(614)f＝f‑1；

(615)如果f＝0，则跳转到步骤(616)，否则跳转到步骤(610)；

(616)遍历结束，得到经过特征选择后的x’；

(617)将x’作为所在类的NAR神经网络训练模型netz的输入，得到预测结果y。

2.根据权利要求1所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，所述步骤1的具体方法为：u u u u

(11)数据集Air定义为：CO， PM10，PM2.5， AQI分别为第u天的一氧化碳浓度、二氧化氮浓度、臭氧浓度、PM10浓度、PM2.5浓度、二氧化硫浓度和空气质量指数，共n条数据，其中，TAir＝[air1,air2,…,airu,…,airn‑1,airn]，u∈[1,n]

(12)对每个特征进行归一化处理；

(13)从第一条数据开始，将t天内的数据及第t+1天的空气质量指数按照时间顺序整理T为一条数据，得到有n‑t条数据、7×t+1个特征的数据集A，A＝[a1,…,au,…,an‑t‑1,an‑t] ，auu u u+1 u+t‑1 u+t＝[CO，...，AQI，CO ，...，AQI ，AQI ]。

3.根据权利要求2所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，所述步骤2的具体方法为：(21)定义Kohonen网络的输入为Ii，定义数据集I为数据集A的前7×t个特征，I＝{I1,I2,…,Ii,…,In‑t}，i∈[1,n‑t]；

(22)定义Kohonen网络的输出为J，J＝{J1,J2,…,Jj,…,J7×t}，j∈[1,7×t]；

(23)定义输入层与输出层之间的权重为Wij，Wij的初始值随机确定；

(24)定义Kohonen网络的学习率为δ(s)，领域宽度为 当前迭代次数为s，最大迭代次数为T，s∈[0,T]；

(25)令i＝1，s＝0，j＝1；

(26)计算Ii中Iij与J中Jj之间的距离dij，dij＝||Iij‑Wij||；

(27)j＝j+1；

(28)如果j>7×t，跳转到步骤(29)，否则，跳转到步骤(26)(29)对于输入样本Ii，从输出层中找到最佳匹配特性的节点ji，即min dij所在的节点；

(210)计算领域宽度函数值并调整权值：Wij(s+1)＝Wij(s)+n(s)δ(s)(Iij‑Wij(s))；

(211)s＝s+1；

(212)如果s>T，跳转到步骤(213)，否则跳转到步骤(26)；

(213)计算其余样本Ip在此网络中与权重之间的距离Di，Di＝{d1,d2,…,dp,…,dn‑t‑1},(214)对于输入样本Ii，从Di中选取距离最小的样本归属为一类；

(215)i＝i+1；

(216)如果i>n‑t，跳转到步骤(217)，否则跳转到步骤(25)；

(217)所有样本聚类完成，分为m类，得到第k类数据集Ak，k∈[1,m]。

4.根据权利要求1所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，所述步骤4具体包括：(41)令f＝7×t；

(42)查询特征f在Rk中的特征排名；

(43)如果f在特征排名Rk后c个，c∈[1,7×t‑1]，则跳转到步骤(44)，否则跳转到步骤(46)；

(44)如果f不是空气质量指数，则跳转到步骤(45)，否则跳转到步骤(46)；

(45)删除f所在特征；

(46)f＝f‑1；

(47)如果f＝0，则跳转到步骤(48)，否则跳转到步骤(42)；

(48)遍历结束，得到第k类经过特征选择后的数据集Fk。

5.根据权利要求1所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，所述步骤5具体包括：(51)定义第k类经过特征选择后的数据集Fk的部分数据集作为训练集Pk，其余部分作为测试集Tk；

(52)定义训练集Pk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Pk‑in，最后一个特征，即第t+1天的空气质量指数为训练输出Pk‑out；

(53)定义训练集Tk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Tk‑in，最后一个特征，即第t+1天的空气质量指数为训练输出Tk‑out；

(54)定义h为单隐层NAR神经网络隐藏神经元的个数，定义MSE为均方误差；

(55)令MSEmin＝1；

(56)Pk‑in作为输入，Pk‑out作为输出，通过具有h个隐藏神经元的单隐层NAR神经网络进行训练，得到第k类具有h个神经元的NAR神经网络训练模型netkh；

(57)Tk‑in作为输入，通过NAR神经网络训练模型netkh，得到输出结果Yk‑out，计算Tk‑out与Yk‑out的MSE；

(58)如果MSEmin>MSE，则跳转到步骤(59)，否则跳转到步骤(510)；

(59)MSEmin＝MSE，netk＝netkh，hbest＝h；

(510)h＝h+1

(511)如果hbest+5>h，则跳转到步骤(56)，否则跳转到步骤(514)；

(512)输出第k类NAR神经网络训练模型netk。