1.一种基于高斯回归的空间细粒度污染推断方法，其特征在于，包括以下步骤：
s1，定义给定监测区域内所有监测点位的数据，对所有未知点位的pm2.5的数值进行推断；
s2，确定选用的高斯回归模型，使用该高斯回归模型进行数据训练；
s3，选用训练数据和测试数据，并利用训练数据和测试数据获得待推断空间细粒度污染预测值。
2.根据权利要求1所述的基于高斯回归的空间细粒度污染推断方法，其特征在于，步骤s1中定义给定的数据具体为：
对所有未知点位的pm2.5的数值进行推断的公式为：
其中∈i表示噪声。
3.根据权利要求1所述的基于高斯回归的空间细粒度污染推断方法，其特征在于，步骤s2中具体过程包括：
s21，定义fi＝f(xi)；
s22，当x满足下述条件：
其中k是协方差矩阵，其中kij＝k(xi,xj)，k(x1,x2)可以是任何满足半正定特征的核函数，其中k是协方差矩阵。
4.根据权利要求3所述的基于高斯回归的空间细粒度污染推断方法，其特征在于，所述核函数选用下述的平方指数协方差函数：
其中l表示该函数水平变化的尺度。
5.根据权利要求1所述的基于高斯回归的空间细粒度污染推断方法，其特征在于，步骤s3具体包括：
s31,使f＝[f1,f2,…,fn],f*＝[f*1,f*2,…,f*n]分别表示训练数据和测试数据；
s32，使用贝叶斯理论，得到：
s33，根据上式得到后验概率分布:
s34，先验概率及似然函数都为独立分布且均服从高斯分布：
其中δ2是噪声方差，i是单位矩阵；
从而公式(5)中的积分可以得到完全解，其解同时也服从高斯分布
μ*＝k*,f(kf,f+δ2i)-1y(7)
σ*＝k*,*-k*,f(kf,f+δ2i)-1kf,*(8)
μ*是预测均值，σ*是其对应的预测方差，即预测值对应的置信度，在使用场景中，μ*i作为对于yi的预测值。