1.一种面向突变预警的大气污染物浓度预测方法，其特征在于，包括以下步骤：

S1、获取历史监测数据并进行分级清洗预处理，所述历史监测数据包括目标污染物浓度序列、气象变量序列及对应的时间戳；所述分级清洗预处理包括：对缺失数据进行限长插值修复或剔除，以及采用基于仅回看窗口的中位数绝对偏差MAD的稳健异常修正机制对监测数据进行异常识别与修正；

S2、基于预处理后的历史监测数据构建输入特征集，所述输入特征集至少包括气象变量序列构成的外部影响特征、由时间戳提取并编码的周期性时间特征、由所述目标污染物浓度序列构成的历史滞后特征、以及统计滑窗特征；

S3、基于预处理后的历史监测数据执行异常检测，得到各采样时刻对应的异常事件指示 ；其中，为时刻t的异常标记，当时刻t被判定有异常时， ，否则， ；在事件统计窗口 内对异常事件指示进行聚合统计，构建事件标识特征与事件次数特征，并与输入特征集进行时间对齐和融合，形成融合特征序列；

S4、将所述融合特征序列按时间顺序划分为训练集、验证集和测试集，采用仅由训练集拟合的归一化参数对特征进行归一化，并构造满足时间因果约束的监督学习样本；

S5、构建基于卷积神经网络与长短期记忆网络的污染物浓度预测神经网络，卷积神经网络用于提取局部变化特征，所述长短期记忆网络用于建模长期依赖关系，并输出预测时刻的污染物浓度预测值；

S6、使用步骤S4获得的监督学习样本训练污染物浓度预测神经网络，获得污染物浓度预测模型，并基于验证数据进行超参数选择与早停控制，固化验证指标最优的模型参数以获得目标预测模型；

S7、将待预测监测数据按所述时间因果约束构造模型输入序列输入至目标预测模型，输出下一时刻污染物浓度预测值；

S8、基于污染物浓度预测值构建突变判别量，并在突变判别量超过预设阈值时输出突变事件预警信息。

2.根据权利要求1所述的面向突变预警的大气污染物浓度预测方法，其特征在于，步骤S1中，基于仅回看窗口的中位数绝对偏差MAD的稳健异常修正机制具体是：对任一监测变量，在窗口 上计算滚动中位数 ，并计算中位数绝对偏差 ，构造自适应阈值 ，当 时，将 判定为异常点，并以 替换修正异

常点，其中，仅回看窗口长度 和敏感系数 为预设值。

3.根据权利要求1所述的面向突变预警的大气污染物浓度预测方法，其特征在于，步骤S2中，外部影响特征选取温度、湿度、风速、气压气象因子作为输入，并与污染物序列在时间轴上对齐；加入风向分解量、露点、降水衍生变量以增强对扩散、稀释与累积过程的刻画；

周期性时间特征的编码方式为对提取的时间字段 ，采用正弦映射

与余弦映射 进行周期性编码，其中 分

别对应小时、星期与月份周期；

历史滞后特征以目标污染物浓度 为基础，构造过去 阶滞后向量 ，用于表征污染物浓度的短期自相关与惯性，在12–72范围内选取；

统计滑窗特征是在仅回看窗口内构造的滑动均值、滑动最大值与滑动标准差中的至少一种。

4.根据权利要求1所述的面向突变预警的大气污染物浓度预测方法，其特征在于，步骤S3中，异常事件检测采用孤立森林Isolation Forest算法，以目标污染物浓度单变量作为输入，输出异常事件指示。

5.根据权利要求1所述的面向突变预警的大气污染物浓度预测方法，其特征在于，步骤S4中所述构造满足时间因果约束的监督学习样本包括：设历史窗口长度为L，将连续L个时刻的融合特征按时间顺序组成输入序列张量 ，并以未来一步的真实污染物浓度值作为预测目标。

6.根据权利要求5所述的面向突变预警的大气污染物浓度预测方法，其特征在于，步骤S5中，污染物浓度预测神经网络包括顺序连接的卷积神经网络CNN、池化层、长短期记忆网络LSTM、全连接层；输入序列张量 ，卷积输出表示为 ：,

其中，卷积核大小为 ， 为卷积核参数、为偏置项、 为非线性激活函数。

7.根据权利要求1所述的面向突变预警的大气污染物浓度预测方法，其特征在于，步骤S8中，突变判别量为预测浓度增量 ，用于表征模型预测的下一时刻变化幅度，其中，表示模型在时刻输出的预测浓度， 表示模型在时刻+1输出的预测浓度。

8.一种面向突变预警的大气污染物浓度预测方法的预测系统，用于权利要求1‑7任一项所述的面向突变预警的大气污染物浓度预测方法，其特征在于，包括：数据获取与清洗模块，用于获取历史监测数据并进行分级清洗处理，所述历史监测数据包括目标污染物浓度序列、气象变量序列及对应的时间戳；所述分级清洗处理包括：对缺失数据进行限长插值修复或剔除，以及采用基于仅回看窗口的中位数绝对偏差MAD的稳健异常修正机制对监测数据进行异常识别与修正；

特征构建模块，用于基于清洗后的数据构建输入特征集，所述输入特征集至少包括：由所述气象变量序列构成的外部影响特征、由时间戳提取并编码的周期性时间特征、以及由所述目标污染物浓度序列构成的历史滞后特征；

事件特征融合模块，用于对清洗后的目标污染物浓度序列进行异常事件检测，得到异常事件指示，并在事件统计窗口内构建事件标识特征与事件次数特征，将所述事件标识特征与事件次数特征与所述输入特征集进行时间对齐与融合，形成融合特征序列；

数据处理模块，用于将所述融合特征序列按时间顺序划分为训练集、验证集和测试集，采用仅由训练集拟合的归一化参数对特征进行归一化，并构造满足时间因果约束的监督学习样本；

模型训练与预测模块，用于构建并训练污染物浓度预测神经网络，所述神经包括用于提取短时局部变化形态的因果卷积神经网络和用于建模长期依赖关系的长短期记忆网络，得到目标预测模型，并将待预测的监测数据输入所述目标预测模型，输出预测时刻的污染物浓度预测值；

预警模块，用于基于所述污染物浓度预测值构建突变判别量，并在所述突变判别量超过预设的自适应阈值时输出突变事件预警信息。

9.根据权利要求8所述的预测系统，其特征在于，模型训练与预测模块和预警模块部署于FPGA或包含可编程逻辑的SoC上；

FPGA或SoC至少包括输入缓存单元、因果卷积运算单元、池化运算单元、LSTM运算单元、全连接运算单元以及阈值比较判别单元，各单元以流水方式依次完成输入序列推理与突变判别。

10.根据权利要求9所述的预测系统，其特征在于，所述FPGA或SoC采用定点量化运算实现卷积运算与门控矩阵乘加累加运算，并通过查找表或分段线性逼近实现sigmoid与tanh激活函数。