1.一种列车车厢空气微生物污染实时评估方法，其特征在于，包括以下步骤：S1、检测t时刻列车车厢送风口、排风口和座椅处的环境参数、大气污染物浓度和细菌菌落总数；

S2、获取第i个检测点处细菌菌落总数的因果关联指标集合：Φi＝{Ti,j＝1}j∈[1:m+n+p]，从而得到所有检测点的因果关联指标集合{Φi|i＝1,2,3,...,m+n+p}；其中，分别为第i个检测点处细菌菌落总数时间序列和第j个检测点处的环境参数/大气污染物浓度组成的时间序列；m，n，p分别为送风口、排风口和座椅处的检测点数量；

S3、利用细菌菌落总数和因果关联指标集合构成的数据集训练深度极限学习机，得到共计m+n+p个检测点内的微生物‑因果关联指标映射模型库 nl和nh均为大于1的整数；

S4、利用微生物‑因果关联指标映射模型库、大气污染物浓度和细菌菌落总数构成的数m+n+p据集训练DQN强化学习模型，获取共计m+n+p个检测点的强化学习模型库{RM }；

m

S5、根据所述微生物‑因果关联指标映射模型库 和强化学习模型库{RM+n+p

}，对各检测点的细菌菌落总数进行实时评估；

微生物‑因果关联指标映射模型库 的具体获取过程包括：A)选定检测点I，读取N个连续历史时刻内该检测点I的细菌菌落总数及相应的因果关联指标数据集；

B)将所述细菌菌落总数及相应的因果关联指标数据集构成的数据集随机划分为训练集、测试集和验证集；

C)将检测点I的相应因果关联指标作为深度极限学习机的输入，同一时刻的细菌菌落总数作为深度极限学习机的输出，采用训练集数据，构建具有不同隐含层数目和隐含元个数的深度极限学习机模型库，隐含层数目和隐含元个数的选取范围分别为[1:nl]和[1:nh]，其中nl和nh均为大于1的整数，得到共计nl×nh个深度极限学习机模型；

D)遍历所有检测点，得到所有共计m+n+p个检测点内的微生物‑因果关联指标映射模型库所述强化学习模型库的构建过程包括：

a)选定检测点I，读取所述验证集数据；

b)将微生物‑因果关联指标映射模型库、所述验证集中的因果关联指标和细菌菌落总I数输入到DQN强化学习模型中，训练检测点I的强化学习模型RM ，其中映射模型库和因果关联指标作为训练时的输入数据，细菌菌落总数数据集用于衡量强化学习模型输出结果的误差；

m+n+p

c)遍历至所有检测点，得到所有共计m+n+p个检测点内的强化学习模型库{RM }；

S5的具体实现过程包括：

1)选定检测点，并选择该检测点的因果关联指标集；

2)根据强化学习模型库，选择当前时刻最优的微生物‑因果关联指标映射模型；

3)将步骤2)所得因果关联指标输入当前时刻最优的微生物‑因果关联指标映射模型中，输出此刻检测点I的细菌菌落总数；

4)重复步骤1)～步骤3)，遍历所有检测点，得到所有共计m+n+p个检测点内的细菌菌落总数，作为此时车厢空气微生物污染的实时评估结果。

2.根据权利要求1所述的列车车厢空气微生物污染实时评估方法，其特征在于，还包括：S6、将各检测点的环境参数、大气污染物以及空气微生物进行持续采样，并将检测结果传输至数据存储平台。

3.根据权利要求1或2所述的列车车厢空气微生物污染实时评估方法，其特征在于，以T为时间间隔，每隔时间T执行一次步骤S1～S5的操作。

4.一种列车车厢空气微生物污染实时评估系统，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或2所述方法的步骤。

5.一种计算机存储介质，其特征在于，其存储有程序；所述程序被配置为用于执行权利要求1或2所述方法的步骤。