1.一种高速铁路沿线极端风速大数据聚类预测方法，其特征在于，包括以下步骤：步骤1：在铁路目标测风点设置测风站，包括目标测风站和时移测风站；

所述目标测风站距离铁路目标测风点100米，所述时移测风站至少包括3个，且设置铁路目标测风点与目标测风站所在连线上，第一个时移测风站距离铁路目标测风点500米，相邻时移测风站之间间距为500米；

步骤2：风速环境聚类，构建训练样本数据；

以相同采样频率采集各测风站在历史时间段内的风速，依次将各测风站的历史风速，以时间间隔T内的风速中值作为各测风站的样本时刻风速，将样本时刻风速依次以聚类时间T’进行划分，若每个聚类时间T’内的样本时刻风速数据的最大极值与均值的差值超过均值的30％，则该聚类时间T’内的样本时刻风速聚类为突变风速样本，否则，聚类为平稳风速样本，随机选择各测风站在至少10个不同时段的突变风速样本和平稳风速样本，获得训练样本数据；

所述聚类时间T’的时间至少为120min，各测风站的风速采集时间间隔为3-5秒，时间间隔T的取值为5min；

所述训练样本数据中的每个样本为一个突变风速样本或平稳风速样本；

步骤3：利用训练样本数据和设置的预测步长，构建基于LS-SVM的风速预测模型组；

依次以目标测风站和所有时移测风站中任意三个测风站在任意历史时刻t0的风速值作为输入数据，剩余测风站在t0+Δt时刻的风速值作为输出数据，对LS-SVM模型进行训练，获得各测风站预测步长为Δt的基于LS-SVM的风速预测模型；

所述预测步长Δt的取值依次为p、2p、3p、4p，p为预测步长单元时间，取值范围为1-

5min，一种预测步长对应一组基于LS-SVM的风速预测模型；

步骤4：根据目标预测时间，构建所有测风站的预测任务迭代向量；

将目标预测时间m拆分为n个子预测时间hi，依据子预测时间与风速预测模型组的步长进行对应，选择各子预测时间对应的风速预测模型组，形成各测风站预测任务迭代向量l＝{hi,j}，hi,j表示第i个子预测时间选择第j个风速预测模型组进行风速预测的预测子任务，i的取值范围为1-n，j的取值范围为1-4；

步骤5：利用步骤4获得的任意一种预测任务迭代向量，进行风速预测；

以当前时刻t时刻四个测风站的风速数据作为所选预测任务迭代向量中第一个预测子任务的输入数据，以所选预测任务迭代向量最后一个预测子任务输出数据中的目标测风站的风速数据作为目标预测时间m目标测风点的风速预测值；

前一个预测子任务的输出数据作为后一个预测子任务的输入数据。

2.根据权利要求1所述的方法，其特征在于，利用最新历史风速数据，选取最优预测任务迭代向量，进行风速预测，获得最优风速预测结果，具体过程如下：步骤A：基于目标预测时间m，选用与当前时刻t相距m+4p时间段内的历史风速数据按照训练样本数据的构建方法，获得预测样本数据，并从预测样本数据中选出各测风站依次在t、t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p以及t-p、t-2p、t-3p、t-4p时的风速；

步骤B：将四个测风站在时刻为t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p时的风速，依次作为每个预测任务迭代向量的输入数据，获得每个预测任务迭代向量在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速；

步骤C：计算每个预测任务迭代向量依次在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速与实测风速的误差，并对误差求取均值，得到每个预测任务迭代向量的总体预测误差；

步骤D：选取总体预测误差值最小的预测任务迭代向量作为最优预测任务迭代向量，进行风速预测，获得最优风速预测结果。

3.根据权利要求2所述的方法，其特征在于，设置预测任务迭代向量权重，构建最优预测任务迭代融合向量，进行风速预测，获得最优风速预测结果，；

将所有预测任务迭代向量的总体预测误差值，按照从小到大排序，选取前5个预测任务迭代向量，并依据所选的5个预测任务迭代向量的总体预测误差值占所选5个预测任务迭代向量的总体预测误差值之和的比例，设置各预测任务迭代向量的权重，构建最优任务迭代融合向量，进行风速预测，获得最优风速预测结果。

4.根据权利要求2所述的方法，其特征在于，对各测风站的样本数据进行交互卡尔曼滤波处理，将滤波后的数据用于模型训练和预测任务迭代向量的选取。

5.根据权利要求1所述的方法，其特征在于，所述预测任务迭代向量中每个预测子任务的子预测时间满足以下公式：其中，hmin的取值为预测步长单元时间。

6.根据权利要求1-5任一项所述的方法，其特征在于，在与铁路平行的方向上，每个测风站两侧等间距设置有同类型测风站，获得目标测风站组和时移测风站组，其中时移测风站组包括第一时移测风站组、第二时移测风站组以及第三时移测风站组；

从目标测风站组各测风站测得的风速值中，选取相同采样时刻的最大风速值作为虚拟目标测风站的各采样时刻的风速值，以虚拟目标测风站作为目标样本测风站；

从各时移测风站组中，选取相同采样时刻的风速值与对虚拟测风站对应时刻的风速值显著性最大的时移测风站，获得时移目标测风站。

7.根据权利要求6所述的方法，其特征在于，对所述基于LS-SVM的风速预测模型中的2

LS-SVM的参数γ和参数σ同时采用以下至少一种方法进行优化：

1)狼群-模拟退火算法，所使用的LS-SVM输入层节点个数为3，输出层节点个数为1；训练过程中的最大迭代次数设置为200，γ的搜索区间为[0,100]，σ2的搜索区间为[0,400]；

2)水循环算法，所使用的LS-SVM输入层节点个数为3，输出层节点个数为1；训练过程中2

的最大迭代次数设置为200，γ的搜索区间为[0,100]，σ的搜索区间为[0,400]；

3)混沌差分蝙蝠算法，所使用的LS-SVM输入层节点个数为3，输出层节点个数为1；训练过程中的最大迭代次数设置为200，γ的搜索区间为[0,100]，σ2的搜索区间为[0,400]。

8.根据权利要求7所述的方法，其特征在于，采用狼群-模拟退火算法对所述基于LS-2

SVM的风速预测模型中的LS-SVM的参数γ和参数σ同时进行优化的步骤如下：步骤1.1)：以个体狼位置作为所述基于LS-SVM风速预测模型中LS-SVM的参数γ和参数σ2，随机初始化狼群中的每只个体狼并设置狼群参数：狼群规模取值范围为：[50，200]，步长因子取值范围为：[50，120]，探狼比例因子取值范围为：[2，6]，最大游走次数取值范围为：[10，40]，距离判定因子取值范围为：[40，100]，最大奔袭次数取值范围为：[4，16]，更新比例因子取值范围为：[2，6]，最大迭代次数取值范围为：[500，1000]，最大搜索精度取值范围为：[0.001，0.005]；设定模拟退火算法的退火初始温度为100、退火速率为φ＝0.8、退火迭代次数t2＝1，当前温度下最大退火循环次数为Lmax＝6；

步骤1.2)：设定适应度函数，并确定初始最优头狼位置和迭代次数t1，t1＝1；

将个体狼位置的对应的LS-SVM的参数γ和参数σ2代入基于LS-SVM的风速预测模型中，并利用个体狼位置确定的基于LS-SVM模型的风速预测模型输出风速预测值，将得到的风速预测值跟期望风速值之间的均方误差的倒数作为人工狼的适应度函数F1；

其中，M表示训练次数，xi、yi分别表示第i次训练的风速预测值和期望输出值；

步骤1.3)：依次对所有人工狼进行游走行为、奔袭行为、围攻行为，按照个体狼的适应度更新狼群，获得更新后的最优头狼位置；

步骤1.4)：判断是否到达优化精度要求或最大迭代次数，若没有到达，令t1＝t1+1转至步骤1.5)，若到达，转至步骤1.7)；

步骤1.5)：对本代中的头狼个体进行模拟退火操作，在得到的头狼位置gi邻域内随机选择新的位置gj并计算两者适应度之差ΔF1＝F1(gi)-F1(gj)，计算选择概率P＝exp(-ΔF1/Tei)，Tei为当前温度；如果P>random[0，1)，则将当前头狼位置由gi替换为gj，并以gj作为下次寻优的开始，否则以gi开始下一次寻优；

步骤1.6)：令t2＝t2+1，按照Tei+1＝Tei*φ进行降温退火，若t2

步骤1.7)：输出头狼位置对应的LS-SVM的参数γ和参数σ2。

9.根据权利要求7所述的方法，其特征在于，采用水循环算法对所述基于LS-SVM的风速预测模型中的LS-SVM的参数γ和参数σ2同时进行优化的步骤如下：步骤2.1)：每个降雨层作为所述LS-SVM的参数γ和参数σ2，初始化降雨层；

步骤2.2)：将降雨层对应的权值、阈值参数γ和参数σ2代入基于LS-SVM的风速预测模型中，利用降雨层确定的基于LS-SVM的风速预测模型计算以风速训练子样本为输入的风速预测值与风速训练期望样本的均方误差的倒数作为第二适应度函数；

其中，M表示训练次数，xi、yi分别表示第i次训练的风速预测值和期望输出值；

步骤2.3)：以适应度最大的降雨层作为大海，以适应度次于大海的且适应度较大降雨层作为河流，其余的降雨层作为向河流或大海流动的溪流；

步骤2.4)：在流动过程中，如果溪流的适应度高于河流的适应度，则溪流河流互换位置，如果河流的适应度高于大海的适应度，河流大海互换位置，最后使溪流流入河流，河流流入海洋；

步骤2.5)：判断河流与海洋适应度之间的差值绝对值是否小于极小值,若是，转至步骤

2.6)；若否，重复步骤2.5)；

步骤2.6)：判断是否到达最大迭代次数，若否，进入下一次迭代，从降雨层种群中舍弃该河流，重新进行降雨过程，生成随机降雨层加入种群，转至步骤2.3)；若是，输出海洋降雨层对应的参数作为所述LS-SVM的参数γ和参数σ2。

10.根据权利要求7所述的方法，其特征在于，采用混沌差分蝙蝠算法对所述基于LS-SVM的风速预测模型中的LS-SVM的参数γ和参数σ2同时进行优化的步骤如下：步骤3.1)：以蝙蝠个体的位置作为基于LS-SVM的风速预测模型中所述LS-SVM的参数γ和参数σ2；

蝙蝠种群规模的取值范围为[100，500]，蝙蝠个体最大脉冲频率r0＝0.5，最大脉冲声音强度A0的取值范围为[0.3，0.8]，蝙蝠搜索频率增加系数的取值范围为[0.02，0.05]，声音强度衰减系数的取值范围为[0.75，0.95]，交叉概率设置为0.5，变异概率设置为0.5，适应度方差阈值的取值范围为[0.01，0.06]，搜索脉冲频率的取值范围为[0，1.5]，最大迭代次数的取值范围为[200，500]，最大搜索精度的取值范围为[0.02，0.1]；

步骤3.2)：根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度、频率；

步骤3.3)：设定适应度函数，并确定初始最优蝙蝠个体位置和迭代次数t3，t3＝1；

将蝙蝠个体位置对应的参数γ和参数σ2代入基于LS-SVM的风速预测模型，利用蝙蝠个体位置确定的基于LS-SVM的风速预测模型计算以风速训练子样本为输入的风速预测值与风速训练期望样本的均方误差的倒数作为第三适应度函数；

其中，M表示训练次数，xi、yi分别表示第i次训练的风速预测值和期望输出值。

步骤3.4)：利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度；

步骤3.5)：若Random1>ri，则对于个体最优位置的蝙蝠进行随机扰动，生成最优位置蝙蝠的扰动位置；

其中Random1为在闭区间[0，1]上均匀分布的随机数，ri为第i只蝙蝠的脉冲频率；

步骤3.6)：若Random2>Ei，代表最优蝙蝠个体的扰动位置的适应度优于扰动前位置的适应度，将最优蝙蝠个体移动至扰动位置，否则最优蝙蝠个体位置不动；

其中Random2为在闭区间[0，1]上均匀分布的随机数，Ei为第i只蝙蝠的声音强度；

步骤3.7)：计算当前种群的所有蝙蝠个体的适应度以及蝙蝠种群的种群适应度方差；

根据蝙蝠种群的种群适应度方差判断早熟状态，若蝙蝠种群适应度方差小于给定的阈值，对所有蝙蝠个体进行交叉和变异操作，并转至步骤3.5)，否则，选出最优蝙蝠个体，转至步骤3.8)；

步骤3.8)：判断是否到达最大迭代次数或最大搜索精度，若是，输出最优蝙蝠个体位置对应的基于LS-SVM的风速预测模型中所述LS-SVM的参数γ和参数σ2，若否，t3＝t3+1，转至步骤3.4)。