1.一种基于LSTM-NN时序预测的PM2.5中重金属健康风险评价方法，其特征在于，包括以下步骤：

步骤1，PM2.5石英滤膜样品的获取：在现有的大气PM2.5采样监测站点获取一定数量的承载有PM2.5的石英滤膜样品，并记录采样时间等相关采样信息，样品送实验室保存、待测；

步骤2，提取各形态重金属并测定其浓度：根据形态划分方法及其所用化学试剂，分别提取、稀释、定容每种重金属元素4种赋存形态，即水溶态、可还原态、可氧化态、残渣态的液态样品；利用电感耦合等离子体发射光谱仪或电感耦合等离子体质谱仪等痕量化学元素分析仪器测定液态样品中重金属元素每一种赋存形态的浓度；

步骤3，处理仪器所得原始浓度数据：1)计算PM2.5中重金属每一种赋存形态的浓度；2)认定水溶态、可还原态、可氧化态三种形态为生物可利用形态，并计算PM2.5中重金属的生物可利用形态的浓度；

步骤4，数据预处理，填充PM2.5中生物可利用形态重金属日均浓度组成的时间序列存在缺失值以及估计其真实值，并将数据归一化：分别利用1)插值方法填充缺失值；2)利用频率域滤波的方法估计测量值的真实值，减少误差以及一部分无规律随机变化干扰，得到经过真实值统计估计的PM2.5中生物可利用形态重金属的浓度时间序列；3)将该序列数据做归一化处理；

步骤5，利用长短期记忆神经网络学习、分析、提取PM2.5中生物可利用形态重金属浓度时间序列变化趋势：1)利用主流的深度学习框架，构建包含输入层、输出层以及隐含层的长短期记忆神经网络(LSTM-NN)并确定其初始参数以及训练参数；2)以前一定天数的的PM2.5中生物可利用形态重金属日均浓度序列作为该长短期记忆神经网络的输入，后几天的重金属日均浓度作为输出，训练、筛选出能够反应浓度变化趋势的神经网络；

步骤6，PM2.5中生物可利用形态重金属日均浓度时间序列预测，并计算暴露剂量以及致癌风险与非致癌风险：1)利用步骤5中经过训练、能够充分反映变化趋势的长短期记忆神经网络，以及步骤4所得的PM2.5中生物可利用形态重金属到的日均浓度数据，向后预测未来一定天数内每一天的PM2.5中生物可利用形态重金属日均浓度；2)确定健康风险评价模型中的30年或70年PM2.5中重金属日均浓度平均值的估计值；3)计算PM2.5中各重金属元素的暴露剂量以及致癌风险值与非致癌风险值；

步骤7，给出PM2.5中各重金属元素的致癌风险与非致癌风险定性评价结论。

2.根据要求1所述的基于LSTM-NN时序预测的PM2.5中重金属健康风险评价方法，其特征在于：步骤2在提取各形态重金属并测定其浓度前，将PM2.5石英滤膜样品裁剪成2cm2的大小。

3.根据权利要求1所述的基于LSTM-NN时序预测的PM2.5中重金属健康风险评价方法，其特征在于：步骤3中计算PM2.5中重金属每一种赋存形态的浓度公式为：C＝C0RDVsolSΣ/(VgasS)，式中C0表示仪器测得液态样品中重金属的浓度，RD表示稀释倍数，Vsol表示溶液体积，S∑表示滤膜总面积，Vgas表示采样气体体积，S表示剪取滤膜的面积。

4.根据权利要求1所述的基于LSTM-NN时序预测的PM2.5中重金属健康风险评价方法，其特征在于：步骤3中计算PM2.5中重金属的生物可利用形态的浓度公式为：Cbio＝CF1+CF2+CF3，式中Cbio表示可利用形态重金属浓度，CF1、CF2、CF3表示F1态、F2态、F3态重金属的浓度。

5.根据权利要求1所述的基于LSTM-NN时序预测的PM2.5中重金属健康风险评价方法，其特征在于：步骤4中，归一化处理选用的具体计算公式为： 式中Cbio表示生物可利用形态重金属浓度，Cnorm表示生物可利用形态重金属浓度归一化结果值，min与max函数分别表示求取Cbio序列最小、最大值的函数。