1.一种基于深度学习的空气质量预测优化方法，其特征在于，所述方法包括：步骤一、采集分析火灾区域的各监测数据：获取监测周期内火灾区域的各采集点的各类型污染物的浓度数据、气象各数据、火灾特征各数据，计算火灾区域的大气稳定系数，获取火灾区域的地理环境各数据，计算火灾区域的建筑物密度系数；

所述计算火灾区域的建筑物密度系数，其具体分析方法为：

以火灾区域中心点为圆心，R为半径构建分析区域，从数据库中提取分析区域的平面地理特征图片，其中R表示从数据库中提取的预设置的分析区域的半径；

基于分析区域的平面地理特征图片，提取各建筑物的平面轮廓，通过计算机图像处理技术，得到分析区域内各建筑物的实际占地面积和S；

通过公式： 计算得到建筑物密度系数η，其中π表示圆周率；

所述计算火灾区域的大气稳定系数，其具体分析方法为：

基于监测周期内火灾区域的各采集点的气象各数据，气象各数据包括：各高度的温度(Ti,hi)、各高度的风速(Vi,hi)，其中Ti表示火灾区域的各采集点的温度、Vi表示火灾区域的各采集点的风速，hi表示火灾区域的各采集点的高度，i＝1,2,…,m，i表示火灾区域的各采集点的编号，m表示火灾区域的采集点的总数；

通过公式： 计算得到垂直温度变换指数Γ1，通过公式：

计算得到风速切变指数Γ2；

通过公式： 计算得到大气稳定系数Ri，其中Γ1′

表示从数据库中提取的标准垂直温度变化指数，Γ2′表示从数据库中提取的标准风速切变指数；

步骤二、构建污染物浓度预测模型：计算各类型污染物的排放速率，基于火灾区域的建筑物密度系数和火灾区域的大气稳定系数，构建火灾区域的各类型污染物浓度的预测模型；

所述构建火灾区域的各类型污染物浓度的预测模型，其具体分析方法为：

通过风向传感器获取火灾区域的风向，以火灾区域中心点为坐标原点，竖直方向为Z轴，火灾区域的风向为X轴，与X轴水平垂直的方向为Y轴，建立空间三维坐标系；

通过高斯气体扩散模型： 得到火

灾区域的各类型污染物浓度的预测模型，其中Qj表示各类型污染物的排放速率，V(x,y,z)表示在采集点(x,y,z)处的风速，C(x,y,z)j表示第j个类型污染物在采集点(x,y,z)处的浓度，σy表示污染物在横向上的扩散系数，σz表示污染物在垂直方向上的扩散系数，e表示自然常数，j＝1,2,…,n，其中j表示污染物各类型的编号，n表示污染物类型的总数；

通过卫星遥感监测技术，获取得到火灾区域的燃烧强度F，通过公式：Qj＝F*Ej，计算得到各类型污染物的排放速率Qj，其中Ej表示从数据库中提取的各类型污染物的排放因子；

通过公式： 计算得到污染物在横向上的扩散系数，其中α1表

示横向上的修正因子；

通过公式： 计算得到污染物在垂直方向上的扩散系数，其中

α2表示垂直方向上的修正因子；

步骤三、修正污染物浓度预测模型：获取历史各次火灾采集的火灾区域的各监测数据，进行火灾区域的各类型污染物浓度的预测模型的修正；

步骤四、预测优化火灾区域的空气质量：基于修正后的各类型污染物浓度的预测模型，得到判断区域内各监测点的各类型污染物的浓度数据，计算判断区域内各监测点的空气质量风险系数，构建判断区域并划分判断区域的空气质量风险等级，实施判断区域的空气质量风险等级对应的空气质量优化措施。

2.根据权利要求1所述的一种基于深度学习的空气质量预测优化方法，其特征在于，所述进行火灾区域的各类型污染物浓度的预测模型的修正，其具体分析方法为：从数据库中提取历史各次火灾采集的火灾区域的各监测数据，首先将历史第一次火灾采集的各类型污染物的排放速率、各采集点的各类型污染物的浓度和各采集点的风速代入火灾区域的各类型污染物浓度的预测模型中，得到历史第一次火灾各采集点的横向上的扩散系数和垂直方向上的扩散系数；

将历史第一次火灾采集的火灾区域的大气稳定系数、建筑物密度系数，代入历史第一次火灾各采集点的横向上的扩散系数，得到历史第一次火灾各采集点的横向上的扩散系数的修正因子，将历史第一次火灾各采集点的横向上的扩散系数的修正因子进行均值处理，均值结果作为历史第一次火灾横向上的扩散系数的修正因子；

按照历史第一次火灾横向上的扩散系数的修正因子的计算方法，得到历史各次火灾横向上的扩散系数的修正因子，将历史各次火灾横向上的扩散系数的修正因子进行均值处理，得到横向上的扩散系数的修正因子；

按照横向上的扩散系数的修正因子的计算方法对垂直方向上的扩散系数的修正因子进行处理，得到垂直方向上的扩散系数的修正因子；

将横向上的扩散系数的修正因子、垂直方向上的扩散系数的修正因子代入火灾区域的各类型污染物浓度的预测模型中，得到修正后的火灾区域的各类型污染物浓度的预测模型。

3.根据权利要求2所述的一种基于深度学习的空气质量预测优化方法，其特征在于，所述得到判断区域内各监测点的各类型污染物的浓度数据，其具体分析方法为：从数据库中提取判断半径r，以坐标原点为圆心，x‑y轴为平面，构建判断区域，从判断区域内采用均匀分布的随机数生成技术，得到各监测点的坐标(x,y,z)k，k＝1,2,...,p，k表示各监测点的编号，p表示监测点的总数；

通过卫星遥感获取火灾区域的燃烧强度，计算得到各类型污染物的排放速率，通过风速检测传感器获取各监测点风速；

将各监测点的坐标、各监测点的风速和各类型污染物的排放速率，代入修正后的各类型污染物浓度的预测模型，得到判断区域内各监测点的各类型污染物的预测浓度Ckj。

4.根据权利要求3所述的一种基于深度学习的空气质量预测优化方法，其特征在于，所述计算判断区域内各监测点的空气质量风险系数，其具体分析方法为：基于判断区域内各监测点的各类型污染物的预测浓度Ckj，通过公式：

计算得到判断区域内各监测点的各类型污染物的预测浓

度的异常判断值(QC)kj，其中 表示从数据库中提取的各类型污染物的浓度的标准区间，通过公式： 计算得到判断区域内各监测点的空气质量风险系数ρk。

5.根据权利要求4所述的一种基于深度学习的空气质量预测优化方法，其特征在于，所述划分判断区域的空气质量风险等级，其具体分析方法为：基于判断区域内各监测点的空气质量风险系数，将ρk＞ρ′的各监测点记为异常监测点，统计得到各异常监测点的数量λ，其中ρ′表示从数据库中提取的空气质量风险系数的判断阈值，通过公式： 计算得到判断区域内空气质量的不符合率γ，若γ＞θ2，则将判断区域划分为空气质量一级风险区域；

若θ1≤γ≤θ2，则将判断区域划分为空气质量二级风险区域；

若γ＜θ1，则将判断区域划分为空气质量三级风险区域，其中θ2表示从数据库中提取的空气质量一级风险区域判断阈值，θ1表示从数据库中提取的空气质量三级风险区域判断阈值，得到以r为判断半径的判断区域的空气质量符合等级；

从数据库中提取判断半径增长尺度f，以(1+f)*r为半径，坐标原点为圆心，得到以r为判断半径的判断区域和以(1+f)*r为半径的圆不相交的部分，构成新的判断区域，执行判断区域的空气质量风险等级划分的操作；

依次以增长尺度f增加判断半径，得到新的判断区域，执行判断区域的空气质量风险等级划分的操作，得到空气质量不同等级的风险区域。

6.根据权利要求5所述的一种基于深度学习的空气质量预测优化方法，其特征在于，所述实施判断区域的空气质量风险等级对应的空气质量优化措施，其具体分析方法为：从数据库中提取各等级的移动空气净化器的覆盖面积Dg，其中g＝1,2,3，g表示各等级的移动空气净化器的编号；

所述空气质量一级风险区域的优化措施为：选取第一等级的移动空气净化器，提取空气质量一级风险区域的面积G1，通过公式： 计算得到空气质量一级风险区域第一等级的移动空气净化器的分布数量τ1，其中 表示向上取整函数，则在空气质量一级风险区域将τ1台第一等级的移动空气净化器进行布局放置，进行空气质量优化；

按照空气质量一级风险区域的优化措施的分析方法，对空气质量二级风险区域、三级风险区域进行处理，得到空气质量二级风险区域、空气质量三级风险区域的优化措施；

所述空气质量一级风险区域、二级风险区域和三级风险区域的优化措施，构成判断区域的空气质量风险等级对应的空气质量优化措施。

7.一种用于执行权利要求1‑6任一项所述的基于深度学习的空气质量预测优化方法的系统，其特征在于，所述系统包括：数据采集分析模块，用于获取监测周期内火灾区域的各采集点的各类型污染物的浓度数据、气象数据和火灾特征各数据，获取火灾区域的地理环境各数据，计算火灾区域的大气稳定系数和建筑密度系数；

预测模型构建模块，用于根据建筑物密度系数和大气稳定系数，构建火灾区域的各类型污染物浓度的预测模型；

预测模型修正模块，用于获取历史各次火灾采集的火灾区域的各监测数据，进行火灾区域的各类型污染物浓度的预测模型的修正；

空气质量预测优化模块，用于获取判断区域内的各监测点的各类型污染物的浓度数据，计算判断区域内的各监测点的空气质量风险系数，划分空气质量不同等级的风险区域，实施判断区域的空气质量风险等级对应的空气质量优化措施；

终端展示模块，用于展示各判断区域的空气质量符合等级，展示各判断区域的空气质量优化措施。