1.一種大數(shù)據(jù)可視化的空氣污染溯源和走向預(yù)測(cè)方法，其特征在于包括：

第一步驟：結(jié)合空氣擴(kuò)散條件作為輸入因子，使用誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，建立用于空氣污染溯源和走向預(yù)測(cè)的前饋模型；

第二步驟：執(zhí)行前饋模型的學(xué)習(xí)過(guò)程，其中采用空氣污染歷史數(shù)據(jù)作為前饋模型的輸入訓(xùn)練因子，使用誤差性能函數(shù)的最速下降法，通過(guò)誤差的反向傳播來(lái)逐漸調(diào)整網(wǎng)絡(luò)前饋模型的權(quán)值和閾值，以使網(wǎng)絡(luò)前饋模型的輸出誤差不斷減小。

2.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)可視化的空氣污染溯源和走向預(yù)測(cè)方法，其特征在于，前饋模型的學(xué)習(xí)過(guò)程包括如下兩個(gè)階段：

輸入訓(xùn)練因子的正向傳播階段，其中輸入訓(xùn)練因子從輸入層進(jìn)入網(wǎng)絡(luò)，經(jīng)隱含層后，傳向輸出層，在輸出端產(chǎn)生輸出信號(hào)，在此期間，網(wǎng)絡(luò)各神經(jīng)元的權(quán)值和閥值保持不變，每一層神經(jīng)元只影響下一層神經(jīng)元的輸入和狀態(tài)，如果在輸出端沒(méi)有得到期望的輸出值，網(wǎng)絡(luò)即轉(zhuǎn)入誤差信號(hào)的反向傳播階段；

誤差信號(hào)的反向傳播階段，其中將網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的差作為誤差信號(hào)，誤差信號(hào)由輸出端開始逐層回傳，在此傳播過(guò)程中，網(wǎng)絡(luò)各神經(jīng)元的權(quán)值和閥值根據(jù)誤差反饋進(jìn)行調(diào)整；

其中，輸入訓(xùn)練因子的正向傳播階段與誤差信號(hào)的反向傳播階段交替循環(huán)進(jìn)行，在每完成一次循環(huán)時(shí)采用實(shí)時(shí)指標(biāo)進(jìn)行污染走向預(yù)測(cè)。

3.根據(jù)權(quán)利要求1或2所述的大數(shù)據(jù)可視化的空氣污染溯源和走向預(yù)測(cè)方法，其特征在于還包括第三步驟：通過(guò)遺傳算法進(jìn)行前饋模型的關(guān)聯(lián)校正。

4.根據(jù)權(quán)利要求3所述的大數(shù)據(jù)可視化的空氣污染溯源和走向預(yù)測(cè)方法，其特征在于，在第三步驟中，每次輸入新的樣本，根據(jù)交叉驗(yàn)證法原理，計(jì)算SVM分類器識(shí)別率，進(jìn)行適應(yīng)度評(píng)估，不設(shè)定遺傳算法的終止值，終止條件采用比高法，其中如果訓(xùn)練的識(shí)別率高于現(xiàn)有則設(shè)為最優(yōu)參數(shù)，否則執(zhí)行選擇、交叉和變異操作以進(jìn)一步優(yōu)化訓(xùn)練參數(shù)。

5.根據(jù)權(quán)利要求1或2所述的大數(shù)據(jù)可視化的空氣污染溯源和走向預(yù)測(cè)方法，其特征在于還包括第四步驟：通過(guò)模塊化數(shù)據(jù)接口多維度地呈現(xiàn)預(yù)測(cè)結(jié)果及溯源結(jié)果。

6.根據(jù)權(quán)利要求1或2所述的大數(shù)據(jù)可視化的空氣污染溯源和走向預(yù)測(cè)方法，其特征在于，前饋模型包括輸入層、隱層和輸出層。

7.根據(jù)權(quán)利要求1或2所述的大數(shù)據(jù)可視化的空氣污染溯源和走向預(yù)測(cè)方法，其特征在于，輸入因子包括風(fēng)速、風(fēng)力、風(fēng)向、溫度、溫差、氣壓、雨量、云量中的一個(gè)或多個(gè)。