1.一种基于混合CNN‑Transformer模型的大气臭氧浓度预测方法，其特征在于，包括模型训练阶段和模型推理预测阶段：模型训练阶段包括下列步骤：

步骤S1.1、获取臭氧数据、其他大气污染物数据及气象数据作为训练数据，处理缺失和异常值，将处理后的多元数据进行归一化，消除量纲差异带来的影响；所述其他大气污染物数据包含二氧化氮、一氧化氮、二氧化硫、一氧化碳，所述气象数据包含风速、风向、气压、最高最低气温；

步骤S1.2、采用滑动窗口技术将数据序列化，构成时间序列数据；

步骤S1.3、构建CNN‑Transformer模型，将时间序列数据送入CNN‑Transformer模型中，开始模型训练过程；

所述步骤S1.3中，CNN‑Transformer模型由卷积神经网络CNN、Transformer及深度线性神经网络DNN三部分构成，具体架构如下：CNN模型包含2个一维卷积层，每个卷积层有32个卷积核，即可以提取32个维度的潜在特征；Transformer模型由编码器和解码器组成，每个编码器中有1个输入映射层、1个位置编码层、3个编码层以及1个“编码器到编码器”的交叉多头注意力层；每个解码器中有1个输入映射层，3个解码层以及1个基于序列的全连接层；

所述3个编码层，每个编码层由1个输出维度为64的多头自注意力层和1个相同输出维度的前向全连接层组成；所述3个解码层，每个解码层的结构与编码层的结构一致，但解码层中多头自注意力层之后附加有“编码器到解码器”的交叉多头注意力层；所述多头注意力层中的头数均为8；DNN模型有2个隐含层，第一层的神经元数量为256，第二层的神经元数量为

128，使用ReLU函数作为激活函数；在每个隐含层后都加入了Dropout层，比率分别为0.4和

0.3，输出层的神经元个数为1；

所述步骤S1.3中，模型训练过程为：设置模型的迭代次数为500，训练批次大小为64，使用Adam作为优化器，学习率为0.001；在训练阶段，采用HuberLoss作为损失函数，其表达式如下：其中，n为训练集或验证集的样本总数，Oi为第i个样本臭氧的真实值，Pi为第i个样本臭氧的预测值；

对于每一次迭代过程，首先进入CNN模型，2个一维卷积层在训练样本的特征维度上提取有用信息，输出的时序序列送入Transformer模型，通过位置编码层提取并保存时序信息，将带有时序信息的序列送入编码器进行编码，编码的结果送入解码器，得到解码数据,将解码数据送入DNN层，压缩其维度至目标维度1，将结果反归一化得到最终预测值，将预测值与标签值比对并计算HuberLoss值，继续迭代直至模型达到最优，即HuberLoss值最小；

模型推理预测阶段包括下列步骤：

步骤S1.4、从环境监测站实时获取臭氧数据、其他大气污染物数据及气象台实时获取的气象数据作为历史数据，处理缺失和异常值，将处理后的数据进行归一化，消除量纲差异带来的影响；

步骤S1.5、将数据送入训练好的CNN‑Transformer模型中，经过运算后给出预测结果。

2.根据权利要求1中所述的一种基于混合CNN‑Transformer模型的大气臭氧浓度预测方法，其特征在于：所述步骤S1.1中，将处理后的数据进行归一化处理，具体包括：使用最大最小值归一化函数对获取的数据在特征维度上进行归一化，将数据的范围限定在[0,1]之间；

所述最大最小值归一化函数，其公式表达如下：

其中，x为原始数据且x∈X,X表示原始数据集，包含臭氧数据、其他大气污染物数据及*气象数据，x 表示归一化后数据，xmin为原始数据集中的最小值，xmax为原始数据集中的最大值。