1.一种高速铁路沿线风速多点多层耦合预测方法，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目标测风站的风速数据，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LMD分解，获得分解数据；

步骤3：对分解后的数据进行小波降噪处理后，再进行信号重构，获得重构数据；

步骤4：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]；

步骤5：将目标测风站和步骤4选出的辅助测风站的风速重构数据按照频率划分成高频子序列、中频子序列、低频子序列，再将所有选出的辅助测风站的高频子序列、中频子序列、低频子序列分别归类到高频层、中频层和低频层；

步骤6：利用所选的辅助测风站各频层数据进行辅助站各频层建模获取辅助测风站各频层的超前多步预测值；

所述辅助站各频层建模包括：

对辅助测风站高频子序列的各PF分量分别进行高频基于CS的小波神经网络的训练，构建辅助测风站高频高频基于CS的小波神经网络预测模型；

对辅助测风站中频子序列的各PF分量分别建立基于PSO的LSSVM进行训练，构建辅助测风站中频基于基于PSO的LSSVM预测模型；

对辅助测风站低频子序列的各PF分量分别建立RARIMA进行训练，构建辅助测风站低频RARIMA预测模型；

步骤7：利用所选的辅助测风站各频层数据和目标测风站各频率的子序列，进行基于GA的RBF神经网络训练，构建目标测风站各频率的超前多步预测模型，并且以步骤6获得的辅助站各频层的超前多步预测值输入目标测风站各频率的超前多步预测模型，获得目标测风站的超前多步预测值。

2.根据权利要求1所述的方法，其特征在于，所述进行基于GA的RBF神经网络训练，构建目标测风站各频率的超前多步预测模型，具体步骤如下：(1)利用遗传算法随机产生100组代表RBF神经网络的初始隐层中心值与宽度值的染色体初始种群，每组染色体对应着一组RBF神经网络的初始隐层中心值和宽度值；

(2)以风速预测平均绝对相对误差最小为原则作为遗传算法的适应度函数，进行遗传算法的选择、交叉和变异操作，选择出最优的RBF神经网络的初始隐层中心值和宽度值；

其中，每次遗传算法迭代中适应度值最高的10组染色体将不进行常规的交叉和变异操作，直接保留到下一代中；

(3)以(2)得到的RBF神经网络的初始隐层中心值和宽度值，将辅助测风站和目标测风站实测风速的各频率子序列分别作为输入和输出数据，对RBF神经网络进行学习训练，获得基于GA的RBF神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述高频基于CS的小波神经网络预测模型的具体构建步骤如下：步骤1：利用CS算法随机产生50组小波神经网络的初始网络连接权值和阈值的鸟巢位置种群；

其中，每一个鸟巢位置对应着一组小波神经网络的初始连接权值和阈值，鸟巢位置的更新代数为100；

步骤2：根据风速预测均方根误差最小原则，利用风速样本对每个鸟巢位置进行对比，筛选出最优的鸟巢位置；

在每次筛选中，对原始50组鸟巢位置中最劣的10组鸟巢用重新随机产生的10组鸟巢进行更换，并且将上一步50组鸟巢位置中最优的5组鸟巢进行保留到下一步的性能对比中；

步骤3：当达到100步后，CS算法输出最佳鸟巢位置，将这一步的最优初始连接权值和阈值赋予给小波神经网络模型；

步骤4：将辅助测风站的各子序列作为小波神经网络模型的输入和输出，完成自身的学习训练过程，得到高频基于CS的小波神经网络预测模型；

其中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；

其中，高频基于CS的小波神经网络预测模型的隐含层节点的传递函数为小波母函数。

4.根据权利要求2所述的方法，其特征在于，所述中频基于PSO的LSSVM预测模型的构建步骤如下：(1)利用PSO随机产生LSSVM模型的初始惩罚因子和高斯核函数参数的粒子种群；

(2)以实现最小风速预测平均绝对相对误差作为PSO算法的训练方向，进行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LSSVM模型的初始参数；

(3)将PSO获得的LSSVM模型最优初始参数输入到LSSVM模型中，将辅助测风站的各子序列作为LSSVM模型的输入和输出，完成LSSVM模型自身对风速预测的学习和训练，形成能实现高精度铁路风速预测的PSO-LSSVM混合风速预测模型；

其中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，所述低频RARIMA预测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PF分量风速数据进行数据平稳性检验；

如遇到某PF分量风速数据呈现非平稳性，则对该段PF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PF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PF分量风速数据对应RARIMA模型的方程系数，形成低频RARIMA预测模型。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述步骤2中对辅助测风站数据和目标测风站数据依次进行滤波是采用交互多模型卡尔曼滤波器。

7.根据权利要求1-5任一项所述的方法，其特征在于，采用copula函数进行相关性检验。