1.一种强风高速铁路沿线风速空间网络构造预测方法，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2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：利用与目标测风站的低频数据部分对应的目标测风站所处位置的气象属性数据，寻找与该目标测风站当前风速的气象属性相似的历史测风数据，构建气象-目标测风站超前多步预测模型；

所述气象属性数据包括季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值；

步骤5：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EMD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CS的GRNN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CS的GRN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CGA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CGA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：将目标测风站的自我高频基于CS的GRN神经网络模型、自我中频基于CGA的极限学习机模型以及自我低频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FOA的MLP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FOA的MLP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FOA的MLP神经网络模型形成空间-目标测风站超前多步预测模型。

3.根据权利要求2所述的方法，其特征在于，所述基于FOA的MLP神经网络预测模型的构建步骤如下：步骤A、利用FOA算法随机产生30组代表MLP神经网络连接权值和阈值的果蝇位置种群；

其中，每一个果蝇位置对应着一组MLP神经网络的连接权值和阈值；果蝇位置的更新代数为

200；

步骤B、根据风速预测平均绝对相对误差最小为原则，利用风速样本对每个果蝇位置进行对比，筛选出每一代果蝇种群中味道浓度最优的果蝇；

在每次筛选中，对原始30组果蝇位置中最劣的5组果蝇用重新随机产生的5组果蝇进行更换，并且将上一步30组果蝇位置中最优的3组果蝇进行保留到下一步的性能对比中；

步骤C、当达到200步后，FOA算法输出最佳果蝇位置，将这一步的最优初始连接权值和阈值赋予给MLP神经网络模型；

步骤D、MLP神经网络以FOA算法寻优获得的最优初始连接权值和阈值开始自身网络的学习训练过程。

4.根据权利要求3所述的方法，其特征在于，所述自我高频基于CS的GRN神经网络模型的具体构建步骤如下：步骤2a1：利用CS算法随机产生50组GRNN神经网络的光滑因子参数的鸟巢位置种群；其中，每一个鸟巢位置对应着一组GRNN神经网络的初始光滑因子参数，鸟巢位置的更新代数为100；

步骤2a2：根据风速预测平均绝对相对误差最小为原则，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2a3：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光滑因子参数赋予给GRNN神经网络模型；

步骤2a4：GRNN神经网络以CS算法寻优获得的光滑因子参数初始值，以风速高频子序列作为输入和输出数据，进行自身网络的学习训练，得到自我高频基于CS的GRN神经网络模型；

GRNN神经网络均采用3个输入神经元和1个输出神经元的四层网络结构；

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3所述的方法，其特征在于，所述自我中频基于CGA的极限学习机模型的构建步骤如下：步骤2b1：随机初始化遗传算法的染色体种群，取初始染色体种群为50，最大寻优迭代步数为200；

步骤2b2：以极限学习机的输出风速平均绝对相对误差最小为遗传算法的适应度引导函数，利用遗传算法的选择、交叉和变异步骤；

取交叉概率为0.5和变异概率为0.1执行交叉和变异操作；在交叉和变异操作中，执行基于幂函数载波的标准混沌搜索以加快遗传算法的执行时间；当完成预设的遗传算法的最大迭代步数后，获得极限学习机的输入权值和隐含层节点阈值对应的最优解；

采用轮盘赌法实现选择操作，确定保留下一代的染色体个体；

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；

步骤2b3：当CGA获得了极限学习机的最优连接权值和隐含层节点阈值后，以风速中频子序列作为输入和输出数据，进行极限学习机的自身学习，获得自我中频基于CGA的极限学习机模型。

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。

6.根据权利要求3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：步骤2c1：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；

步骤2c2：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；

步骤2c3：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，形成自我低频RARIMA模型。

7.根据权利要求3-6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：步骤4.1：建立目标测风站和辅助测风站的风速及气象数据库；

步骤4.2：将目标测风站和辅助测风站的历史风速数据用随机森林分类器分为p类，分类属性包括季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值；

步骤4.3：将当前目标测风站的季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值数据带入随机森林分类器，对当前目标测风站风速数据进行模式识别；

步骤4.4：找出所有与当前目标测风站气象属性相同模式下的目标测风站、辅助测风站的历史风速数据，然后分别用无迹卡尔曼滤波法进行处理，去除风速数据中潜在的误差；

步骤4.5：利用2层小波分解对步骤4.4去噪后的数据去除高频跳跃特征，取第2层低频数据；

步骤4.6：对步骤4.5获取的各低频数据用DTW分析，选出与目标测风站当前时段数据显著性较高的q段数据；

步骤4.7：将q段数据中提取目标测风站历史当前数据和历史滞后数据；

步骤4.8：对选出的q组目标测风站历史当前数据进行EMD分解；

步骤4.9：对步骤4.8分解后的各IMF分量按频率分为低频、中频、高频3种子序列，对高频序列、中频序列、低频序列分别建模，各序列均以选出的q组IMF分量为输入，均以目标测风站的各IMF分量为输出，均采用基于FOA的MLP神经网络进行训练；

步骤4.10：将各滞后滞后数据进行EMD分解，并分别代入训练好的FOA优化的MLP神经网络，得到各IMF分量的超前多步预测值；

步骤4.11：对各分量加权计算，重构信号，得到目标测风站的超前多步风速预测值。

8.根据权利要求7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。

9.根据权利要求1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]。