1.融合插值与二次灰度关联神经网络的海洋湿度预测方法，其特征在于，包括如下步骤：获取湿度相关气象因素数据；

将所述湿度相关气象因素数据输入预设的海洋湿度预测模型；

所述海洋湿度预测模型输出海洋湿度预测数据；

所述海洋湿度预测模型的获取方式如下：

采用GRA筛选湿度相关气象因素数据，得到与湿度相关的带预测时刻的气象数据；

对所述与湿度相关的带预测时刻的气象数据进行插值，得到能够实现逐时预测的连续函数，将所述连续函数作为测试集数据；

将湿度相关气象因素的历史数据作为目序列，将待预测时刻数据作为子序列，根据关联度筛选出与待预测时刻气象环境相似度大于预设值的数组，进而得到训练集数据；

根据所述训练集和测试集数据建立BP神经网络，使用改进的粒子群算法对BP神经网络气象参数的初始权值与阈值优化，得到最终的海洋湿度预测模型；

所述与湿度相关的带预测时刻的气象数据为与湿度关联度大于0.95的逐时气象数据；

所述关联度大于0.95与湿度相关的逐时的气象数据为：带预测时刻的温度、露点温度和大气压，分别使用hermite插值、线性插值、Akimna插值对所述带预测时刻的温度、露点温度和大气压进行插值处理；

所述改进的粒子群算法的改进惯性权重ωn如下所示：式中，f为当前适应度值，favg为平均适应度值，fmin为最小适应度值；ωmax表示惯性权重的最大值为1，ωmin表示惯性权重的最小值为0.01；

引入异步策略对学习因子进行改进，学习因子c1，c2的计算公式如下所示：2

c1＝c1max‑(c1max‑c1min)(M‑m)/M2

c2＝c2min+(c2max‑c2min)(M‑m)/M其中，M表示最大迭代次数，m表示当前迭代次数；c1max、c1min和c2max、c2min分别表示c1和c2的最大值和最小值；

得到所述海洋湿度预测模型后，还使用得到的测试集和训练集数据对海洋湿度预测模型进行调优。

2.一种用于实现权利要求1所述海洋湿度预测方法的系统，其特征在于，包括：数据获取模块，用于获取湿度相关气象因素数据；

预测模块，用于将所述湿度相关气象因素数据输入预设的海洋湿度预测模型；

输出模块，用于输出所述海洋湿度预测模型的海洋湿度预测数据。

3.一种用于实现权利要求1所述海洋湿度预测方法的装置，其特征在于，包括：存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现权利要求1所述的海洋湿度预测方法。

4.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现权利要求1所述的海洋湿度预测方法。