1.一种基于微生物的列车车厢空气调控方法，其特征在于，包括以下步骤：

1)检测列车送风口、排风口和座椅处的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和细菌菌落总数；

2)根据车厢内各测点的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和细菌菌落总数，建立每个微小环境单元内细菌菌落总数D和大气污染物浓度d之间的映射关系；其中，所述微小环境单元即测点；

3)选取时间长度为N分钟的实测大气污染物浓度数据集，根据所述映射关系计算细菌菌落总数，将第i个座椅处细菌菌落总数时间序列记为 第j个送风口或排风口细菌菌落总数时间序列记为 采用格兰杰因果关系检验进行假设检验，判断 与 是否存在因果关系，进而得到每个座椅检测点与m个送风口和n个排风口的检验结果集合；

4)根据所述映射关系和检验结果集合，获取所有座椅检测点的非线性描述模型库；

5)将列车所有送风口、排风口的通风速率作为灰狼优化算法的输入，计算在不同通风速率下的送风口/排风口细菌菌落总数拟合结果，将所述拟合结果作为所述非线性描述模型库的输入，得到各座椅处细菌菌落总数的拟合结果，利用所述各座椅处细菌菌落总数的拟合结果确定所有送风口和排风口的通风速率。

2.根据权利要求1所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤2)中，建立每个微小环境单元内细菌菌落总数D和大气污染物浓度d之间的映射关系的具体实现过程包括：

A、读取M个连续历史时刻内当前微小环境单元的空气污染物浓度和细菌菌落总数指标数据集，并将所述数据集划分为训练集和测试集；

B、采用深度置信网络构建微生物‑空气污染物模型，将空气污染物浓度作为深度置信网络的输入，同一时刻的细菌菌落总数作为深度置信网络的输出，训练所述深度置信网络；

C、将所述测试集作为训练后的深度置信网络的输入，选取在测试集上描述精度最高的一组参数作为该微小环境单元的微生物‑空气污染物映射模型；

D、重复上述步骤A～C，直至遍历完所有的微小环境单元，得到共计m+n+p个检测点内细菌菌落总数和空气污染物的映射关系；m，n，p分别为送风口、排风口和座椅的检测点数。

3.根据权利要求1所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤3)中，检验结果集合 其中， 检验

结果 取值为0或1；GCT()代表格兰杰因果关系检验。

4.根据权利要求1所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤4)的具体实现过程包括：

I)读取P个连续历史时刻的座椅、送风口、排风口PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度，根据所述映射关系计算该P个连续历史时刻内各检测点的细菌菌落总数；

II)读取第i个座椅检测点的细菌菌落总数Oi，以及与第i个座椅检测点存在因果关系的送风口/排风口的细菌菌落总数Ii；

III)将Ii作为深度回声状态网络的输入，以Oi为深度回声状态网络的输出，学习在不同历史时刻下座椅与送风口/排风口细菌菌落总数的对应关系；

IV)重复步骤I)～III)，直至遍历完所有的座椅检测点，得到所有座椅检测点的非线性描述模型库。

5.根据权利要求1～4之一所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤5)中，计算在不同通风速率下的送风口/排风口细菌菌落总数拟合结果的具体实现过程包括：

i)等间隔增加通风速率，并测定相应通风速率下的细菌菌落总数；

ii)对第k个送风口/排风口的细菌菌落总数进行最小二乘拟合，得到细菌菌落总数关于通风速率vk的多项式表达方法；

iii)重复步骤i)和步骤ii)，遍历至所有送风口和排风口，得到所有送风口和排风口的细菌菌落总数随通风速率变化的多项式拟合结果 m，n分别为送风口、排风口的检测点数。

6.根据权利要求5所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤5)中，设置优化目标为同时最小化各座椅处细菌菌落总数拟合结果，优化函数为：uk和lk分别为第k个送风口/排风口的通风速率上限、下限。

7.根据权利要求2所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤5)*

中，选取使评估指标 达到最小的非支配解NS＝arg min E，用于确定所*

有送风口和排风口的通风速率NS ；其中， lk≤vk≤uk； 为测试集中所有座椅处细菌菌落总数的方差；uk和lk分别为第k个送风口/排风口的通风速率vk的上限、下限。

8.一种基于微生物的列车车厢空气调控系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～7之一所述方法的步骤。

9.一种计算机存储介质，其特征在于，其存储有程序；该程序被配置为用于执行权利要求1～7之一所述方法的步骤。