1.一种融合风向的铁路沿线风速智能滚动预测方法，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，包括目标测风站和辅助测风站；

所述目标测风站1个，距离铁路目标测风点100米，所述辅助测风站包括3个，布置在等边三角形的三个顶点，两两之间相距1000米，等边三角形中心位于目标测风站处，底边平行于铁路轨道；

步骤2：构建训练样本数据；

以相同采样频率采集两段不同历史时间段内目标测风站的风速数据、风向数据和辅助测风站的风向数据；

将第一段历史时间段内目标测风站的历史风速数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，获得风速样本数据；将第一段历史时间段内各测风站的历史风向数据以时间间隔T内的风向中值作为各测风站的样本时刻风向，获得风向训练样本数据；

将第二段历史时间段内各测风站的历史风速数据和历史风向数据，按照第一段历史时间段内历史风速和风向数据的处理方法处理，获得风向与风速误差校正样本数据；

步骤3：利用风速样本数据和设置的预测步长，构建基于卷积神经网络的风速预测模型；

将风速样本数据中最后102+Δt个时刻的数据作为风速测试样本，其余时刻的数据作为风速训练样本，Δt为预测步长，取值范围为z·T，z＝1，2，3…,10；

针对基于卷积神经网络的风速预测模型中的卷积层个数和卷积核大小，随机选取n种取值组合,n取值至少为100，构建n个基于卷积神经网络的风速预测模型；

利用风速训练样本数据，依次以任意三个连续时刻t-2、t-1、和t时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，将t+Δt时刻的风速值作为每个基于卷积神经网络的风速预测模型的输出数据，训练得到n个基于卷积神经网络的风速预测模型；

依次将风速测试样本连续三个时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，分别得到风速测试样本数据中最后100个时刻的风速测试预测值；

从n个基于卷积神经网络的风速预测模型中随机选取20个基于卷积神经网络的风速预测模型；

依次选取上述20个基于卷积神经网络的风速预测模型的100个风速测试预测值，将任意两个基于卷积神经网络的风速预测模型中对应100个风速测试预测值进行相关性分析，得到任意两个基于卷积神经网络的风速预测模型的皮尔逊相关性系数，并选择使得S最小的10个基于卷积神经网络的风速预测模型；

其中，si为第i个基于卷积神经网络的风速预测模型同另外9个基于卷积神经网络的风速预测模型皮尔逊相关性系数的最大值；

步骤4：利用风向训练样本数据和设置的预测步长，构建基于支持向量机的风向预测模型组；

依次以目标测风站和所有辅助测风站中任意三个测风站在任意历史时刻t0的风向值作为输入数据，剩余测风站在t0+Δt时刻的风向值作为输出数据，对支持向量机进行训练，获得各测风站预测步长为Δt的基于支持向量机的风向预测模型组；

步骤5：利用风向与风速误差校正样本数据，构建基于极限学习机的风速预测误差校正模型；

在风向与风速误差校正样本数据中随机选取某一样本数据所在时刻作为一次模拟预测的起始时刻，记为ts，随机确定模拟预测的目标预测时间，记为ms,ts+ms和ts-1-Δt均不超过风向与风速误差校正样本数据所在的时刻范围；

将ts-1-Δt，ts-Δt，ts+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+1时刻的风速预测值，对10个结果取平均得到ts+1时刻综合风速预测值；将ts+1时刻的综合风速预测值作为ts+1时刻时目标测风站的实测风速值；

将ts-Δt，ts+1-Δt，ts+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的

10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+2时刻的风速预测值，对

10个结果取平均得到ts+2时刻的综合风速预测值；

依次类推，进入滚动预测，直到得到ts+ms时刻的目标测风站的综合风速预测值；

将ts-Δt+ms％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在ts+ms％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到ts+ms时刻的各测风站的风向预测值；其中，ms％Δt表示ms对Δt取余；

以目标测风站在模拟预测时刻的综合风速预测值和风向预测值，对比风向与风速误差校正样本数据中相应时刻的风速真实值，得到模拟预测时刻的风速预测误差值；

进行P次模拟预测，P的取值至少为500，将每一次模拟预测的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，风速预测误差值作为基于极限学习机的风速预测误差校正模型的输出数据进行模型训练，得到基于极限学习机的风速预测误差校正模型；

步骤6：利用步骤3获得的基于卷积神经网络的风速预测模型、步骤4获得的基于支持向量机的风向预测模型组以及步骤5获得的基于极限学习机的风速预测误差校正模型，进行风速预测和风向预测；

记当前时刻为tnow时刻，目标预测时刻为tnow+m时刻；

将tnow-1-Δt，tnow-Δt，tnow+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤

3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+1时刻的风速预测值，对10个结果取平均得到tnow+1时刻综合风速预测值；将tnow+1时刻的综合风速预测值作为tnow+1时刻时目标测风站的实测风速值；

将tnow-Δt，tnow+1-Δt，tnow+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+2时刻的风速预测值，对10个结果取平均得到tnow+2时刻的综合风速预测值；

依次类推，进入滚动预测，直到得到tnow+m时刻的目标测风站的综合风速预测值；

将tnow-Δt+m％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在tnow+m％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到tnow+m时刻的各测风站的风向预测值；其中，m％Δt表示m对Δt取余；

将tnow+m时刻目标测风站的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，输出得到tnow+m时刻的风速预测误差值，将tnow+m时刻的综合风速预测值减去tnow+m时刻的风速预测误差值，得到tnow+m时刻的最优风速预测值。

2.根据权利要求1所述的方法，其特征在于，所述从n个基于卷积神经网络的风速预测模型中随机选取20个基于卷积神经网络的风速预测模型时，选取预测精度最高的20个基于卷积神经网络的风速预测模型，具体过程如下：依次将每个基于卷积神经网络的风速预测模型的100个风速测试预测值，对比风速测试样本中相应预测时刻的风速真实值，得到每个基于卷积神经网络的风速预测模型100次预测的均方误差，将均方误差的倒数作为精度评价指标，选取精度最高的20个基于卷积神经网络的风速预测模型。

3.根据权利要求1所述的方法，其特征在于，通过多目标遗传算法，对所述使得S最小的

10个基于卷积神经网络的风速预测模型设置权值,并利用各权值将各模型得到的10个预测结果加权求和得到tnow+1时刻的综合风速预测值；

所述10个基于卷积神经网络的风速预测模型的权值设置的具体过程如下：

步骤A：将各基于卷积神经网络的风速预测模型的权值qi作为染色体个体，以一组染色体作为种群个体，随机生成规模为N的初始种群Pk，即父代种群Pk，此时k＝1，N取值为500；

步骤B：将个体的MSE和RE作为个体非支配水平，对父代种群Pk进行快速非支配排序，计算每个个体非支配序，依据非支配序将种群所有个体分层，形成第1非支配层F1，第2非支配层F2，…，第n非支配层Fn；每层含有1个或多个个体，同层个体非支配序相同；

式中， 为将风速测试样本中的第j组连续三个时刻风速数据输入第i个基于卷积神经网络的风速预测模型得到的第j次风速测试预测值，i＝1,2,3,…,10,j＝1,2,3,…,100；yj为利用风速测试样本进行第j次预测时对应风速测试样本数据中预测时刻的风速真实值；

qi为第i个基于卷积神经网络的风速预测模型的权值，i＝1,2,3,…,10，qi的取值范围为[0，

1]；

步骤C：通过遗传算法的选择、交叉、变异三个基本操作，生成规模为N的子代种群Qk；

其中，选择算子为轮赛制选择算子，交叉算子为SBX算子，变异算子为随机变异算子；

步骤D：将父代种群Pk和子代种群Qk合并，形成规模为2N的种群Zk，将个体的MSE和RE作为个体非支配水平，对Zk中的个体进行快速非支配排序，依据非支配序将种群分层；

为对同层个体进行选择性排序，依次计算每个个体分别在函数MSE和RE下的拥挤距离，将每个个体分别在MSE和RE函数下的拥挤距离取平均值，得到每个个体的平均拥挤距离；

步骤E：通过低非支配层优先和同层高平均拥挤距离优先的原则，从Zk中选择N个个体，令k＝k+1，形成父代种群Pk；判断k是否为500，若是，转至步骤F，若否，转至步骤C；

步骤F：选择父代种群Pk第1非支配层中RE最小的个体，所述个体代表的权值即所述使得S最小的10个基于卷积神经网络的风速预测模型的权值。

4.根据权利要求1-3任一项所述的方法，其特征在于，对各测风站的样本数据进行不敏卡尔曼滤波处理。