1.一种多模型多特征融合的高速铁路沿线风速预测方法，其特征在于，包括以下步骤：步骤1：在目标测风站位置周围至少安装N个辅助测风站，利用辅助测风站实时采集辅助测风站的风速数据，获得目标测风站和辅助测风站的风速样本集合；

其中，N为大于或等于5的整数；

步骤2：对辅助测风站数据和目标测风站数据依次进行滤波和1层深度小波分解，提取低频数据部分；

步骤3：利用步骤2获得的辅助测风站和目标测风站的低频数据部分构建空间-目标测风站超前多步预测模型，同时，利用目标测风站的低频数据部分构建自我-目标测风站超前多步预测模型；

步骤4：利用目标测风站的低频数据部分和目标测风站所处位置的气压、湿度和温度数据构建气象-目标测风站超前多步预测模型；

步骤5：利用数值天气预报信息获取目标测风站风速预测值；

步骤6：将空间-目标测风站超前多步预测模型、自我-目标测风站超前多步预测模型以及气象-目标测风站超前多步预测模型获得的目标测风站超前多步预测值和步骤5获得的目标测风站风速预测值输入贝叶斯组合模型，获取最终的目标测风站预测值；

所述超前多步预测是指利用当前时刻T的风速数据输入对应预测模型获得下一时刻T+

1的风速预测，然后，利用下一时刻T+1的风速预测值再次输入对应预测模型，获得T+2时刻的风速预测值，往复迭代获得超前多步预测值。

2.根据权利要求1所述的方法，其特征在于，所述步骤2中的空间-目标测风站超前多步预测模型和自我-目标测风站超前多步预测模型的构建步骤如下：步骤2.1：对辅助测风站和目标测风站的低频数据部分进行FEEMD分解，获得每个测风站对应的低频、中频和高频子序列；

步骤2.2：对辅助测风站和目标测风站的高频子序列的各IMF分量分别进行基于PSO的LVQ神经网络的训练，构建辅助测风站和目标测风站各自的自我高频基于PSO的LVQ神经网络模型，获取辅助测风站和目标测风站的自我高频超前多步预测值；

对辅助测风站和目标测风站的中频子序列的各IMF分量分别建立基于CBA的极限学习机进行训练，构建辅助测风站和目标测风站各自的自我中频基于CBA的极限学习机模型，获取辅助测风站和目标测风站的自我中频超前多步预测值；

对辅助测风站和目标测风站的低频子序列的各IMF分量分别建立RARIMA进行训练，构建辅助测风站和目标测风站各自的自我低频RARIMA模型，获取辅助测风站和目标测风站的自我低频超前多步预测值；

步骤2.3：将目标测风站的高频基于PSO的LVQ神经网络模型、中频基于CBA的极限学习机模型以及低频RARIMA模型合并，形成自我-目标测风站超前多步预测模型；

步骤2.4：以辅助测风站的低频、中频和高频子序列数据作为输入，目标测风站的低频、中频和高频子序列数据作为输出，构建各频段子序列基于Adaboost的BP神经网络模型，利用辅助测风站的各频段子序列对应的超前多步预测值输入各频段子序列基于Adaboost的BP神经网络模型，获得目标测风站对应各频段的超前多步预测值，以各频段子序列基于Adaboost的BP神经网络模型形成空间-目标测风站超前多步预测模型；

所述各频段子序列基于Adaboost的BP神经网络模型是指，利用Adaboost算法对多个BP神经网络依据各BP神经网络输出的预测值的平均绝对误差进行不等分加权求和，每个BP神经网络均采用多个输入神经元和1个输出神经元的3层网络结构，用于训练的输入数据中，每组数据的采集时间均比前一组输入数据超前一个时刻，输出数据的采集时间比最后一组输入数据超前一个时刻。

3.根据权利要求2所述的方法，其特征在于，所述自我高频基于PSO的LVQ神经网络模型的具体构建步骤如下：(1)利用PSO随机产生LVQ模型的连接权值的粒子种群，每个粒子代表一组LVQ模型的初始连接权值；

(2)以实现最小风速平均绝对相对误差达到设定值作为PSO算法的训练方向，完成PSO算法的训练学习流程，使得粒子种群中的粒子不断靠拢到最优粒子附近，输出最优的LVQ神经网络初始连接权值；

(3)将经过前面两个步骤中PSO训练所获得的LVQ神经网络初始连接权值对LVQ神经网络进行设置，将风站的高频子序列的各IMF分量作为神经网络的输入和输出数据，完成LVQ神经网络自身对风速的学习和训练，形成自我高频子序列风速数据高精度预测的PSO-LVQ混合模型；

用于训练的输入数据中，每组数据的采集时间均比前一组输入数据超前一个时刻，输出数据的采集时间比最后一组输入数据超前一个时刻。

4.根据权利要求2所述的方法，其特征在于，所述自我中频基于CBA的极限学习机模型的构建步骤如下：(1)初始化蝙蝠算法；

每只蝙蝠的位置参数代表极限学习机的一组输出权值和隐含层节点阈值，每只蝙蝠的初始响度和脉冲速率均取0.5，蝙蝠个数50只，迭代次数为100，每只蝙蝠的飞行步长取值范围为[0.001,0.05]；

(2)以极限学习机的输出风速平均绝对相对误差达到设定值为蝙蝠算法的适应度引导函数，实时更新每只蝙蝠的响度和脉冲速率，使得蝙蝠飞向极限学习机的输入权值和隐含层节点阈值对应的最优解；

在前50次迭代中，蝙蝠的飞行步长取最大值，从第51次迭代开始，蝙蝠的飞行步长取最小值；

(3)利用(2)获取的极限学习机的输入权值和隐含层节点阈值对应的最优解，将风站的中频子序列的各IMF分量作为极限学习机的输入和输出数据，进行极限学习机模型训练，得到基于CBA的极限学习机模型；

用于训练的输入数据中，每组数据的采集时间均比前一组输入数据超前一个时刻，输出数据的采集时间比最后一组输入数据超前一个时刻。

5.根据权利要求2所述的方法，其特征在于，所述自我低频RARIMA模型的构建步骤如下：(1)利用非参数游轮检验法对各个低频子序列所分解获得的全部IMF分量风速数据进行数据平稳性检验；

如遇到某IMF分量风速数据呈现非平稳性，则对该段IMF分量风速数据进行差分计算直到其显示平稳性为止；

(2)对各个低频子序列所分解获得对经过步骤1平稳性检验后的全部IMF分量风速数据进行样本自相关和样本偏相关计算，并根据各自分量风速数据的自相关和偏相关值确定RARIMA模型的最优类型和最优阶次；

(3)对步骤2所获得的RARIMA模型的最优类型和最优阶次，利用极大似然法求解各个IMF分量风速数据对应RARIMA模型的方程系数，将风站的低频子序列的各IMF分量作为RARIMA模型的输入数据，形成自我低频RARIMA模型。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述气象-目标测风站超前多步预测模型的构建步骤如下：(1)利用ACO随机产生Elman神经网模型的连接权值的种群；

(2)以实现最小风速平均绝对相对误差达到设定值作为ACO算法的训练方向，进行ACO算法的训练学习流程，使得初始化蚂蚁种群中的蚂蚁通过迭代不断靠近最优的解，输出最优的Elman神经网络初始连接权值和隐含层阈值；

(3)将上述步骤经过ACO训练所获得的初始连接权值和阈值对Elman神经网络进行设置，将气压、温度、湿度以及目标测风站的第二层低频分量数据作为Elman神经网络进行对风速的学习和训练的输入和输出数据，形成气象-目标测风站超前多步预测模型；

用于训练的输入数据中，每组数据的采集时间均比前一组输入数据超前一个时刻，输出数据的采集时间比最后一组输入数据超前一个时刻。

7.根据权利要求6所述的方法，其特征在于，步骤2中所述的滤波处理采用无迹卡尔曼滤波法。

8.根据权利要求1-5任一项所述的方法，其特征在于，所述用于步骤3中构建模型的辅助测风站是指按照以下方法选出的m个辅助测风站：首先，对经过步骤2滤波后的风速样本集合采用自适应噪声完整集成经验模态进行分解；

其次，对分解后的数据进行滤波处理；

接着，将再次滤波后的数据进行信号重构，得到各测风站的风速重构数据；

将各辅助测风站的风速重构数据与目标测风站的风速重构数据进行相关性检验，按相关度从高到低排序，选出与目标测风站风速重构数据相关度排名前m组辅助测风站的风速重构数据和对应的m个辅助测风站；

其中，m为整数，取值范围为[3，60％N]。