1.一种地铁车站环境参数监测方法，其特征在于，包括：获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测；针对于每一个时间点的预测而言，LSTM神经网络模型表示为如下公式：h t ＝h(h t-1 ,Y t-1 ,X t ,Φ)其中，h t 为LSTM神经网络的输出；h代表LSTM神经网络；Y t 是地铁车站环境参数Y在时刻t的取值；l(·)是用来拟合预测变量分布的似然函数；θ(·)是计算似然函数参数的函数；t 0 为分割过去时刻和未来的时间点；τ为预测范围的长度； 和 分别属于[t 0 +1:t 0 +τ]和[1:t 0 ]时间范围内的地铁车站环境参数值； 是[1:t 0 +τ]范围内的车站外部环境参数值；Φ表示模型的参数；整个时间序列[1:t 0 +τ]被时间点t 0 分为两部分，分别是[1:t 0 ]和[t 0 +1:t 0 +τ]，[1:t 0 ]为条件区间，包含过去的信息，[t 0 +1:t 0 +τ]称为预测区间；在训练LSTM神经网络时，输入变量为X t 和Y t-1 ；所有训练数据都在条件区间[1:t 0 ]内；自回归LSTM网络依据时间展开，进行连续的训练过程，在每一个时间步骤t，它们的输入是(Y t-1 ,X t )和上一时刻的网络输出h t-1 ，并且t∈[1:t 0 ]；整个的预测步骤如下：首先， 在训练过程结束时获得；然后利用上述公式计算 在得到网络输出 后，建立正态似然函数 最后，抽样获得 并作为下一时刻的输入数据；重复此预测过程，直到[t 0 +1:t 0 +τ]区间中的点全部预测完毕；获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，按如下方式对所述车站外部环境参数值进行筛选：利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析；根据贡献度分析结果，对下一时刻的车站外部环境参数值进行筛选；将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，包括：将所述上一时刻的地铁车站环境参数值和筛选出的下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值；利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析包括：按如下公式计算皮尔森相关系数，得到每一车站外部环境参数值对待预测的地铁车站环境参数值的贡献度值：其中，X为车站外部环境参数值，Y为地铁车站环境参数值；所述地铁车站环境参数值包括：地铁车站内气体浓度值，地铁车站内温度值或地铁车站内相对湿度值；所述车站外部环境参数值包括：地铁客流量值，列车发车频率值，车站外部气体浓度值，车站外部大气温度值，车站外部大气相对湿度值的任意组合。
2.如权利要求1所述的地铁车站环境参数监测方法，其特征在于，根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布，包括：对所述网络输出结果值进行线性变换，得到地铁车站环境参数值的均值；对所述网络输出结果值进行线性变换后，进行非线性变换，得到地铁车站环境参数值的标准差；根据所述地铁车站环境参数值的均值和标准差，确定下一时刻的地铁车站环境参数值的正态分布。
3.一种地铁车站环境参数监测装置，其特征在于，包括：参数值获得模块，用于获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；结果值确定模块，用于将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；正态分布确定模块，用于根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；监测模块，用于根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测；其中，针对于每一个时间点的预测而言，LSTM神经网络模型表示为如下公式：h t ＝h(h t-1 ,Y t-1 ,X t ,Φ)其中，h t 为LSTM神经网络的输出；h代表LSTM神经网络；Y t 是地铁车站环境参数Y在时刻t的取值；l(·)是用来拟合预测变量分布的似然函数；θ(·)是计算似然函数参数的函数；t 0 为分割过去时刻和未来的时间点；τ为预测范围的长度； 和 分别属于[t 0 +1:t 0 +τ]和[1:t 0 ]时间范围内的地铁车站环境参数值； 是[1:t 0 +τ]范围内的车站外部环境参数值；Φ表示模型的参数；整个时间序列[1:t 0 +τ]被时间点t 0 分为两部分，分别是[1:t 0 ]和[t 0 +1:t 0 +τ]，[1:t 0 ]为条件区间，包含过去的信息，[t 0 +1:t 0 +τ]称为预测区间；在训练LSTM神经网络时，输入变量为X t 和Y t-1 ；所有训练数据都在条件区间[1:t 0 ]内；自回归LSTM网络依据时间展开，进行连续的训练过程，在每一个时间步骤t，它们的输入是(Y t-1 ,X t )和上一时刻的网络输出h t-1 ，并且t∈[1:t 0 ]；整个的预测步骤如下：首先， 在训练过程结束时获得；然后利用上述公式计算 在得到网络输出 后，建立正态似然函数 最后，抽样获得 并作为下一时刻的输入数据；重复此预测过程，直到[t 0 +1:t 0 +τ]区间中的点全部预测完毕；还包括：参数值筛选模块，用于获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，按如下方式对所述车站外部环境参数值进行筛选：利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析；根据贡献度分析结果，对下一时刻的车站外部环境参数值进行筛选；所述结果值确定模块进一步用于：将所述上一时刻的地铁车站环境参数值和筛选出的下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值；利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析包括：按如下公式计算皮尔森相关系数，得到每一车站外部环境参数值对待预测的地铁车站环境参数值的贡献度值：其中，X为车站外部环境参数值，Y为地铁车站环境参数值；所述地铁车站环境参数值包括：地铁车站内气体浓度值，地铁车站内温度值或地铁车站内相对湿度值；所述车站外部环境参数值包括：地铁客流量值，列车发车频率值，车站外部气体浓度值，车站外部大气温度值，车站外部大气相对湿度值的任意组合。
4.如权利要求3所述的地铁车站环境参数监测装置，其特征在于，所述正态分布确定模块进一步用于：对所述网络输出结果值进行线性变换，得到地铁车站环境参数值的均值；对所述网络输出结果值进行线性变换后，进行非线性变换，得到得到地铁车站环境参数值的标准差；根据所述地铁车站环境参数值的均值和标准差，确定下一时刻的地铁车站环境参数值的正态分布。
5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2任一所述方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至2任一所述方法的计算机程序。
