1.一种新型空气质量预测方法，其特征在于，包括如下步骤：步骤1：收集某地区空气质量数据，并对数据异常点、缺失点进行合理的优化，得到完整的空气质量数据集，利用某地区的空气质量数据和气象数据以及相邻站点的AQI作为输入，AQI作为输出；所述空气质量数据包括PM2.5、PM10、SO2、NO2、O3和CO；所述气象数据包括湿度、温度、风速、能见度和气压；

步骤2：对原始数据使用主成分分析法PCA特征选择，最终确定每个分量的输入维度，为接下来模型的搭建做好准备；

步骤3：建立图卷积随机向量函数链神经网络GCRVFL的空气质量预测模型，所述空气质量预测模型利用改进的均衡优化算法优化GCRVFL的权值、阈值，所述改进的均衡优化算法包括利用混沌初始化替换原本的随机初始化、多元学习提高均衡优化算法的全局搜索能力、利用混沌局部搜索对最优解进一步优化；

步骤4：通过步骤2的空气质量历史数据与改进的均衡优化算法对建立的基于GCRVFL的空气质量预测模型进行训练，求出模型最优参数、最小化损失函数误差；

步骤5：利用训练好的的模型对未来数据进行预测，并输出预测结果。

2.根据权利要求1所述的新型空气质量预测方法，其特征在于，所述步骤2中主成分分析法PCA特征选择对数据矩阵的协方差矩阵进行特征值分解，PCA主要分为4个步骤：原始数据矩阵如式(1)所示：

式中：n为数据个数；p为特征数。

1)数据标准化(中心化)的矩阵X*表示如式(2)：

*

式中： 为X的第i行第j列的数据；

2)计算标准化后的协方差矩阵R，如式(3)所示：

3)求R的特征值和特征向量；

根据特征方程|λI‑R|＝0,得到特征值并排序:λ1≥λ2≥…≥λp≥0。求出海个特征值的特征向量ei(i＝1,2,…,p),要求||ei||＝1；

4)计算主成分贡献率及累计贡献率，贡献率计算如式(4)，累计贡献率计算如式(5)所示：选取累积方差贡献率在75％～95％时，对应的前q个主成分包含原始p个变量所能提供的绝大部分信息。

3.根据权利要求1所述的新型空气质量预测方法，其特征在于，所述步骤3中图卷积随机向量函数链神经网络GCRVFL将RVFL扩展到非欧几里得域，首先通过考虑相邻关系将常规欧几里得数据转换为图数据，然后由图卷积诱导的嵌入层和回归层嵌入；其具体步骤如下：将RVFL的随机映射和回归相应地转换为RGConv嵌入和GConv回归层；

1)RGConv层的目标是为输入 生成随机嵌入矩阵H； 是包含L个过滤器的滤波器参数矩阵，W的所有元素都是根据随机概率分布生成，因此，定义RGConv嵌入如下：‑1/2 ‑1/2

这里A＝D AD 表示归一化的相邻矩阵，σ是一个非线性激活函数：根据谱图理论， 的非零元素可以通过 计算得到，其中Dii表示第i个对角元素D；因此，RGConv嵌入可以进一步表示为：hi是嵌入的第i个节点，依赖于i节点特征向量本身；直观地说，这些相邻节点具有相当高的概率属于同一类，hi通过RGConv嵌入被嘈杂数据损坏的风险较小；

2)基于RGConv嵌入矩阵H，在GCRVFL模型中引入了GConv回归层；将输出层权重矩阵表示为β，GConv回归可以写成如下：方程(9)的解可以通过求解最小范数问题来获得，即

这里H和Y包含已标记和未标记的条目；让 进一步修改方程(10)，将两者除法和Y分为两部分，即指 和YT作为标记的条目, 和YU作为未标记的条目，这将获得以下可解决的问题：通过计算方程(11)关于β，很容易证明方程(11)具有全局最优解，方程(11)的闭式解可以表示如下：然后，将输入层与输出层的直连结构也替换成GConv回归结构。

4.根据权利要求1所述的新型空气质量预测方法，其特征在于，步骤3中改进的均衡优化算法步骤如下所示：

1)在均衡优化算法中加入了混沌初始化；使用迭代映射来初始化EO：X(i)＝sin(0.7π/X(i‑1))(13)

X＝((X(i)‑a)×(d‑c))/(b‑a)                  (14)其中a＝‑1b＝1c＝0d＝1，X是通过混沌初始化获得的粒子群；

2)引入多元学习策略来更新粒子群中每个粒子的位置；具体改进如下：粒子群随机分为两部分，一部分粒子从当前种群和历史种群中学习，其余粒子从当前粒子群中的最优粒子中学习，如方程(15)所示：其中h是小于粒子群大小的正整数，并且h≠i；Xh,j表示当前粒子群中h个粒子的第j个变量；a和b是从0到1的随机数；Cbest,j是当前粒子群最优解的第j个变量；

3)使用混沌局部搜索来获得最优解，通过围绕混沌序列生成新的解来进一步优化粒子群中的最优粒子；利用方程(16)和方程(17)搜索最佳粒子附近的位置，然后，如果新粒子的适应度值低于原始粒子的适应值，则用新粒子替换旧粒子：zm+1＝4×zm(1‑zm)                       (16)其中，zm是第m次迭代的结果；z0其初始值是范围为[0，1]的随机生成值；tcurrent和tmax并且分别表示当前迭代和最大迭代；Xbest,j表示最优解的第j个元素。

5.一种新型空气质量预测系统，其特征在于，包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、云平台模块；

数据采集模块，用于收集空气质量中的数据，包括PM2.5、PM10、SO2、NO2、O3和CO；

数据处理模块，用于对采集到的空气质量数据进行特征选择；将原始数据作为主成分分析PCA模型的输入，通过PCA对重构的高维度数据集进行特征降维，确定模型的输入；

模型训练模块，将GCN与RVFL模型相结合，建立基于GCRVFL的空气质量预测模型，并通过空气质量的历史数据与智能优化模块对建立的GCRVFL模型进行训练，得到最优网络参数；

智能优化模块，利用多元学习、混沌局部搜索、混沌初始化对于均衡优化算法EO进行改进，提出一种全新的改进均衡优化算法IEO用于模型参数寻优；

云平台模块，通过云平台实时显示历史数据以及未来一段时间的空气质量预测结果。