1.一种强风高速铁路沿线风速自适应分解预测方法，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采用自适应噪声完整集成经验模态进行分解；

步骤4：对经步骤3分解后的数据进行滤波处理；

步骤5：将经步骤4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；

步骤6：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7：将目标测风站和步骤6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8：训练各频层的基于CS的小波神经网络预测模型，将各频层预测模型的输出结果累加作为整体预测模型的输出结果，获得整体预测模型；

以高频层中各辅助测风站的高频子序列和目标测风站的高频子序列分别作为高频层基于CS的小波神经网络预测模型的输入和输出；

以中频层中各辅助测风站的中频子序列和目标测风站的中频子序列分别作为中频层基于CS的小波神经网络预测模型的输入和输出；

以低频层中各辅助测风站的低频子序列和目标测风站的低频子序列分别作为低频层基于CS的小波神经网络预测模型的输入和输出；

步骤9：将实时采集的辅助测风站的风速数据，按照步骤2-5进行处理后，并对处理后的数据按照步骤7进行频率划分，将划分后的数据输入到步骤8构建的整体预测模型中，得到目标测风站的风速预测结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤2和步骤4中采用的滤波方法为交互多模型卡尔曼滤波法。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤6中使用的相关性检验方法为DCCA去趋势互相关分析法。

4.根据权利要求3所述的方法，其特征在于，所述基于CS的小波神经网络预测模型的构建步骤如下：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，对应目标测风站的各子序列作为输出，完成自身的学习训练过程，得到基于CS的小波神经网络预测模型；

其中，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。