1.一种基于多传感器融合的空气质量监测方法，其特征在于，该方法包括：S1、在相同条件下收集不同传感器测量的原始可吸入颗粒物(PM)浓度数据，并对收集到的数据进行预处理；

S2、结合观测站实际的PM浓度数据制作训练数据集，并将其作为传感器采集数据的监测目标数据；

S3、设计基于机器学习的估计误差增强两阶段校准模型，并通过该模型对传感器采集数据进行校准，得到标准PM目标浓度数据；

S4、针对两阶段校准模型，设计对应的损失函数，并采用S2构建的训练数据集进行模型训练；

S5、基于皮尔逊相关性分析对传感器部署位置进行优化，以保证空气质量数据的精准、实时监测。

2.根据权利要求1中S1所述的原始PM浓度数据收集和预处理，其特征在于，所述数据采集和处理的流程包括：S11：部署多个气体传感器在不同的位置进行PM浓度数据采集；

S12：检查传感器记录中的错误警报、不一致读数以及与早期读数的比较以确定数据的一致性和可靠性；

S13：消除任何零、负数、不一致、随机或其他值；

S14：识别传感器上的峰值而不是参考点上的峰值，将传感器的值与参考传感器的值进行比较以确定是否存在测量误差或传感器故障。

3.根据权利要求1中S2所述的训练数据集的制作过程，其特征在于，所述空气质量数据标注过程包括：S21：根据当地参考观测站的值作为真实准确PM浓度值，并将其作为传感器采集到的数据的监测目标数据；

S22：将传感器采集到的数据 与参考观测站数据Y合并得到一组训练数据集，其中N表示传感器个数：

通过将传感器数据与参考观测站数据进行标注和合并，可以为后续的校准模型训练提供准确的标签信息，提高模型的预测性能。

4.根据权利要求1中S3所述的基于机器学习的估计误差增强两阶段校准模型，其特征在于，所述基于机器学习的估计误差增强两阶段校准方法模型的建立过程包括：S31：第一阶段的模型为 NannyML模型为 通过估计参考站观测数据不可用时 的平均绝对误差，对传感器采集的数据进行误差校准；使用数据xtrain和进行训练，用于得到校准后的传感器测量值S32：使用xtrain和 对绝对误差向量εatrain对 进行训练，其中绝对误差向量εatrain是在 和 之间形成的：S33：训练好的 可以在没有地面监测站实时监测数据的情况下实时获得误差向量其中， 是NannyML模型 估计的误差向量；

S34：将测试数据 输入到校准模型中，在将预测值 和 传递给NannyML模型来得到估计误差向量 一旦得到 它就会与 一起增强，并被输入到RF模型中；最后RF模型会给出与输入数据相对应的校准值

5.根据权利要求1中S4所述的训练误差增强两阶段校准方法中的模型，其特征在于，所述具体内容包括：S41：按照标准的75％和25％比例将数据集划分为训练数据集 和测试数据集 使用训练数据集Xtrain来训练MLR模型，目标是最小化预测传感器值与参考仪器值 之间的均方误差(MSE)；损失函数定义如下：其中， 是基于训练数据预测得到的一组传感器

值； 是对应的参考仪器测量值集合；P表示训练集中样本

的数量；

S42：利用训练好的MLR模型对训练数据进行预测，并计算预测值与实际值之间的绝对误差向量εatrain：S43：使用NannyML模型(H)，结合训练数据 和由MLR模型生成的预测值 以及之前得到的误差εatrain，学习到MLR模型预测中的不确定性，并据此估计新的误差估计量S44：在第二阶段，训练一个RF模型，此时将扩充训练数据 加入从第一阶段学习到的误差估计 目的是最小化针对测试集上 的损失函数，其中，K表示测试集中样本的数量，因此，P+K＝N即总样本数，对这一阶段的损失函数表达式为：

6.根据权利要求1中S5所述的重新优化传感器部署位置，对空气质量进行实时监测，其特征在于，所述具体内容包括：S51：利用皮尔逊相关系数(PCC)为传感器网络确定相关系数从而优化不同传感器的部署位置，该过程结合检测校准过程进行优化：‑1≤cji≤1

其中，cji的值是Pearson相关系数，cov是指在不同位置下，传感器预测输出值 和之间的协方差，i，j处表示为不同位置，项σ是变量 和 的标准差。如果cji的值接近±1.0，则相关性被认为是强的；将相关系数阈值cth设定为0.30，在校准过程中同时进行检测数值的相关性分析，并以相关性最低为目标对传感器位置进行微调，最终保证各传感器之间的数据冗余最低，基于该原则对所有传感器进行实时调整和部署，同时采用多个局部传感器采集PM数据，并通过两阶段校准模型进行校准得到整体区域的准确空气质量监测结果，完成全局实时空气质量检测。