1.一种基于图卷积网络的环境数据的格点处理方法，其特征在于，包括如下步骤：S1：获取目标区域内N个空气质量监测站点的空气质量监测数据和M个气象监测站点的气象监测数据；所述空气质量监测数据包括空气质量浓度数据，所述气象监测数据包括湿度、温度、风向和风速数据；

S2：对所有监测数据的缺失部分进行预处理，并根据监测站点坐标将对应站点的监测数据映射到目标区域按尺度所划分的格点矩阵内；

S3：使用格点矩阵内的气象监测数据中的风向数据和风速数据生成动态风场图，并使用迪杰斯特拉算法计算出风场邻接矩阵；

S4：根据格点矩阵内的空气质量浓度数据构建出每个时刻的掩码矩阵，根据风场邻接矩阵、掩码矩阵和气象监测数据构建出每个时刻的特征向量集合Z；

S5：根据所述掩码矩阵和所述空气质量浓度数据生成每个时刻的目标矩阵Y；

S6：将所述特征向量集合Z矩阵输入到训练完成的图卷积神经网络模型，得到目标矩阵的估计矩阵P；

所述步骤S6中图卷积神经网络模型包括依次设立的时间卷积网络层、基于谱的图卷积网络层、基于空间的图卷积网络层和卷积神经网络输出层；所述时间卷积网络层提取出空气污染浓度矩阵，风速矩阵，风向矩阵，湿度矩阵，温度矩阵的时序特征，所述基于谱的图卷积网络层对风场邻接矩阵进行噪音扰动去噪，所述基于空间的图卷积网络层对时间卷积网络层的时序特征和基于谱的图卷积网络层的风场特征的交互关系进行映射，所述卷积神经网络输出层对基于空间的图卷积网络层的交互关系和掩码矩阵进行处理，并将隐含特征还原成目标矩阵；

其中，图卷积神经网络模型的训练过程包括将所述特征向量集合Z作为模型输入，得到目标矩阵的估计矩阵P，将所述目标矩阵的估计矩阵P与掩码矩阵对位相乘，将对位相乘结果与目标矩阵Y进行对比，根据对比结果优化图卷积神经网络模型参数，直至误差在设定范围内。

2.根据权利要求1所述的一种基于图卷积网络的环境数据的格点处理方法，其特征在于：所述步骤S1包括分别获取空气质量监测站点在第一频率周期内的每个时刻的空气质量浓度数据以及气象监测站点在第一频率周期内的湿度、温度、风向和风速数据；将对应的空气质量监测数据和气象监测数据按照时间先后排序，并按时间对齐相应的监测数据。

3.根据权利要求2所述的一种基于图卷积网络的环境数据的格点处理方法，其特征在于：所述步骤S2包括如下步骤：S21：获取目标区域的边界，将目标区域按照一定尺度划分为渔网格点即网格，并获取每个网格的中心点坐标lij，构成中心点坐标矩阵P即格点矩阵，其中i和j分别为格点矩阵的行和列坐标；

S22：根据空气质量监测站点的坐标和经纬度距离，遍历计算空气质量监测站点到格点1

矩阵中每个格点的第一距离，确定出第一距离最短时的格点位置，并记录在第一映射表D中；

S23：读取所有空气质量监测站点的监测数据，对于同一格点，将当前时刻的缺省监测数据通过监测站点的前后时刻的监测数据的平均值或者该监测站点的所有时刻的监测数据的平均值补入；

S24：根据气象监测站点的坐标和经纬度距离，遍历计算气象监测站点到格点矩阵中每2

个格点的第二距离，确定出第二距离最短时的格点位置，并记录在第二映射表D中；

S25：读取所有气象监测站点的气象监测数据，对于同一格点，将当前时刻的缺省监测数据通过监测站点的前后时刻的监测数据的平均值或者该监测站点的所有时刻的监测数据的平均值补入；

1

S26：在当前时刻t时，将每个空气质量监测站点的空气质量浓度数据根据第一映射表D映射到矩阵Vt对应的位置上，将每个气象监测站点的湿度、温度、风向、风速数据根据第二2

映射表D映射到矩阵Ht、Tt、 对应的位置上；

其中，Vt表示时刻t的空气质量浓度数据矩阵，Ht、Tt、 依次为t时刻的湿度、温度、风向、风速数据矩阵，其中t∈(0，L)，L为监测数据时间序列长度。

4.根据权利要求3所述的一种基于图卷积网络的环境数据的格点处理方法，其特征在于：所述步骤S3包括如下步骤：S31：使用风向数据矩阵 和风速数据矩阵 生成动态风场图矩阵DWt，其中， 表示格点矩阵中第i个格点到第j个格点的风场距

离，θij表示第i个格点到第j个格点的风向夹角， 表示t时刻的风速数据矩阵中第i个格点到第j个格点的风速，t∈(0，L)，L为监测数据时间序列长度；

S32：根据所述动态风场图矩阵DWt，使用迪杰斯特拉算法计算格点矩阵中第i个格点到第j个格点的最短路径aij，对格点矩阵中的每个格点分别计算出最短路径，并将所有最短路径构成风场邻接矩阵At。

5.根据权利要求4所述的一种基于图卷积网络的环境数据的格点处理方法，其特征在于：所述步骤S4包括如下步骤：S41：初始化时刻t的第一掩码矩阵maskt和第二掩码矩阵mask2t，当时刻t的空气质量浓度数据矩阵的值 不为空时， 否则 令并从mask2t中随机选择K个数值为1格点重置为0，更新第二掩码矩阵；

S42：截取时刻t以及前F个时刻中的每一个时刻的V、Ws、Wd、H、T、A、mask和mask2矩阵，构建出时刻t的前F个时刻的特征向量基数Df，表示为Df＝[x1，x2，x3，x4，x5，x6，x7]；

S43：根据监测数据时间序列长度和所述特征向量基数构建出特征向量集合Z，使得Z＝[D1，D2，…，Dn，…，DJ]；

其中，x1，x2，x3，x4，x5，x6，x7依次表示时刻t的前F个时间节点的空气污染浓度矩阵V*mask2，风速矩阵Ws，风向矩阵Wd，湿度矩阵H，温度矩阵T，风场邻接矩阵A，mask矩阵；f，t，F为整数，f∈[1，J]，t∈(0，L)，F＜L；J表示特征向量集合维度；(n，J)∈(0，L‑F)，L为监测数据时间序列长度。

6.根据权利要求5所述的一种基于图卷积网络的环境数据的格点处理方法，其特征在于：所述步骤S5包括如下步骤：S51：根据第二掩码矩阵和空气质量浓度数据矩阵生成t时刻的目标矩阵，表示为Yt＝Vt·mask2t；

S52：将不同时刻的目标矩阵进行整合，构建出目标矩阵集合Y＝[Y1，Y2，…，Yn，…，YJ]；

其中，Vt表示将时刻t的空气质量浓度数据映射目标区域的格点位置中，mask2t表示时刻t的第二掩码矩阵；t∈(0，L)，J表示特征向量集合维度；(n，J)∈(0，L‑F)，L为监测数据时间序列长度。