1.一种融合多测风站实测数据的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：对风速样本集合中的风速数据进行滤波处理去除风速数据中潜在的误差；

步骤3：对经过步骤2滤波后的风速样本集合进行2层小波包分解去除样本集合中的高频跳跃特征数据，并从分解后的数据中选取最后一层的低频数据部分；

步骤4：将步骤3选取出的各辅助测风站的低频数据部分分别与目标测风站的低频数据部分进行显著性检验，按照显著性从高到低对各辅助测风站进行排序，选出与目标测风站低频数据部分显著性排名前m组辅助测风站的低频数据部分和对应的m个辅助测风站；

其中，m为整数，取值范围为[3，60％N]；

步骤5：对目标测风站和选出的m个辅助测风站的低频数据部分分别进行2层小波包分解，获得每个测风站的4个风速子序列；

步骤6：以所选的m个辅助测风站的4个风速子序列为输入数据，以目标测风站的4个风速子序列为输出结果，采用基于PSO优化的MLP神经网络模型进行训练，得到预测模型；

步骤7：将所选的m个辅助测风站的实测风速值依次进行滤波、2层小波包分解，并对经过2层小波包分解后得到的最后一层低频数据部分再次进行2层小波包分解，将分解后得到的各辅助测风站的4个风速子序列输入到训练好的模型，将模型输出的子序列预测值进行累加，得到目标测风站的风速预测值。

2.根据权利要求1所述的方法，其特征在于，所述步骤2中采用交互多模型卡尔曼滤波进行滤波处理。

3.根据权利要求1所述的方法，其特征在于，所述步骤3和步骤5中使用的2层小波包分解为采用Mallat塔式算法或选取紧支撑双正交小波db3作为母小波的小波分解方法。

4.根据权利要求1所述的方法，其特征在于，采用动态时间弯曲距离法进行所述步骤4中的显著性检验。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述基于PSO优化的MLP神经网络模型的构建步骤如下：(1)利用PSO随机产生MLP神经网络模型的连接权值和隐含层阈值的粒子种群；

(2)以实现最小风速预测误差作为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MLP神经网络模型初始连接权值和初始隐含层阈值；

(3)将最优的MLP神经网络模型初始连接权值和初始隐含层阈值输入到MLP神经网络模型中，以辅助测风站和目标测风站的实测风速值经过两次2层小波分解后的数据作为MLP神经网络模型的输入和输出数据，完成MLP神经网络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-MLP混合风速预测模型。