技术特征：
1.一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，包括以下步骤：s1、输入污染物浓度与河流流量历史数据，判别河流主要污染物类型和流量时均变化类型，利用支撑向量机方法，实现河流主要污染物的污染源类型和流量时均变化程度的智能分类；s2、依据s1中对于主要污染物和时均变化类型的判断，结合不同需求以及客观条件，调整污染物通量计算公式，进行污染物通量计算；s3、应用卷积神经网络方法，结合长短期记忆人工神经网络和栈式自编码器预测污染物浓度与河流流量，将预测数据输入s1进行智能分类，依据s1分类结果，结合预测数据，应用s2预测污染物通量。2.根据权利要求1所述的一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，所述主要污染物类型包括点源和面源，流量时均变化类型包括明显和不明显。3.根据权利要求2所述的一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，采用支撑向量机，根据数据构造最优超平面，在超平面中画出最优分类函数线，污染物是点源还是面源，河流流量时均变化是明显还是不明显均被这一条函数线所区分。4.根据权利要求1所述的一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，s2步骤中根据分时段通量、时段平均浓度与时段水量之积两类估算方法构造了以下几种时段通量的计算情况，具体包括：(1)通量采用瞬时浓度的平均值与瞬时流量的平均值的乘积进行计算,该方法忽略径流量时均变化的影响；(2)通量采用瞬时浓度的平均值与时段平均流量的乘积进行计算,该方法突出径流量时均变化的影响；(3)通量采用求瞬时浓度与瞬时流量乘积的平均值进行计算，该方法忽略径流量时均变化的影响，但突出了点源污染；(4)通量采用瞬时浓度与代表时段平均流量乘积的平均值进行计算,该方法突出径流量时均变化的影响，同时也突出了非点源污染；(5)通量采用时段通量平均浓度与时段平均流量的乘积进行计算,该方法突出总径流量时均变化的影响，同时也突出了非点源污染。5.根据权利要求4所述的一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，几种时段通量的计算公式具体如下：(1)采用瞬时浓度c
i
的平均值与瞬时流量q
i
的平均值的乘积进行通量计算，该方法忽略径流量时均变化的影响；(2)采用瞬时浓度c
i
的平均值与时段平均流量的乘积进行通量计算,该方法突出径流量时均变化的影响；
(3)采用求瞬时浓度c
i
与瞬时流量q
i
乘积的平均值进行通量计算，该方法忽略径流量时均变化的影响，但突出了点源污染；(4)采用瞬时浓度c
i
与代表时段平均流量q
i
乘积的平均值进行通量计算,该方法突出径流量时均变化的影响，同时也突出了非点源污染；(5)采用时段通量平均浓度与时段平均流量q的乘积进行通量计算,该方法突出总径流量时均变化的影响，同时也突出了非点源污染：公式中w为估算时间段的污染物通量；k为不同估算时间段的转换系数；n为估算时间段内的采样次数；c
i
为样品i的浓度值。6.根据权利要求1所述的一种基于集成神经网络的河流污染物通量智能计算与预测方法，其特征在于，s3具体步骤包括：s31、利用栈式自编码器自主学习和挖掘数据的特性，通过数据降维从输入的数据中去除冗余信息，获得数据的真正特征，根据这些特征，就可以用河流污染物浓度和河流流量已有数据推测缺测数据，从而对缺测数据进行填补；s32、利用长短期记忆人工神经网络选择性遗忘历史信息，并且记忆新的记忆信息的特性，在历史信息中提取关键，遗忘其余部分，记忆新信息，随时间推移，新信息变为历史信息，再次选择关键部分记忆，遗忘其余部分，不断重复，找到数据随时间变化的规律，对河流污染物浓度和河流流量进行时间维度上的关联性提取，最终用历史数据推算预测数据；s33、利用卷积神经网络卷积层和池化层压缩数据，增强空间关键特征的特性，对河流污染物浓度和河流流量进行空间维度上的关联性提取，对上一步的预测数据进行修正。