1.一种铁路和风电场环境风速机器学习预测方法，其特征在于，包括以下步骤：

步骤1：建立测风站获取原始风速数据；

在铁路沿线或风电场待测风点设置测风站，设置指定采样时间间隔，采集原始风速数据集；

所述原始风速数据集为时间序列集，且包含Q个采样时刻的风速，所述Q至少大于500；

步骤2：构建风速模型训练样本和风速模型筛选样本；

使用无迹卡尔曼方程对原始风速数据集进行滤波，得到处理后的风速数据集和风速噪声集；

将风速数据集按照时间连续滚动规则分为多个长度为5的风速训练向量；其中1/2时间连续的风速训练向量组成风速模型训练样本，剩余1/2时间连续的风速训练向量组成风速模型筛选样本；

步骤3：选择N种不同神经网络，对每种神经网络的参数随机设置100种不同取值，构建N种基于神经网络的风速预测特征预选模型组；

依次将风速模型训练样本中所有风速训练向量内前4个时刻的风速值作为输入数据，第5个时刻的风速值作为输出数据，训练N种神经网络，每种神经网络的参数取100种不同取值，得到N种基于神经网络的风速预测特征预选模型组，每种神经网络的风速预测特征预选模型组包括100个基于相同神经网络的风速预测特征预选模型；

所述风速预测特征预选模型输出值命名为风速特征预选值；

步骤4：基于均方误差分析和相关性分析模型筛选方法，将每种100个基于相同神经网络的风速预测特征预选模型筛选至10个，筛选后的模型命名为风速预测特征模型，得到N种基于神经网络的风速预测特征模型组，每种神经网络的风速预测特征模型组包括10个基于相同神经网络的风速预测特征模型；

所述风速预测特征模型输出值命名为风速特征值；

步骤5：基于风速模型训练样本和风速模型筛选样本输入至10*N个风速预测特征模型得到的输出数据，构建针对N种神经网络的N个风速预测集成模型训练样本；

依次将风速模型训练样本和风速模型筛选样本中所有风速训练向量内前4个时刻的风速值作为输入数据，分别输入至所有风速预测特征模型中，获得每个风速预测特征模型输出的第5个时刻的风速特征值；

利用每种基于相同神经网络的10个风速预测特征模型每次共输出10个风速特征值组成风速特征列向量，所有风速特征列向量组成10*M维数的矩阵，N种基于神经网络的风速预测特征模型组共得到N个10*M维数的矩阵；将所述N个10*M维数的矩阵定义为针对N种神经网络的N个风速预测集成模型训练样本；其中，M为风速预测特征模型运行次数；

步骤6：将步骤5得到的针对N种神经网络的N个风速预测集成模型训练样本中长度为10的风速特征列向量作为输入数据，风速模型训练样本和风速模型筛选样本中对应时刻的风速值作为输出数据，分别训练N个灰色神经网络，得到N个基于灰色神经网络的风速预测集成模型；

所述风速预测集成模型输出值命名为风速集成值；

步骤7：构建风速预测归一模型；

所述构建风速预测归一模型具体过程如下：

步骤B1：依次将风速模型筛选样本中所有风速训练向量内前4个时刻的风速值作为输入数据，分别输入到所有的风速预测特征模型，得到针对N种神经网络的N个10*P维数的矩阵，其中P为风速预测特征模型运行次数，进入步骤B2；

步骤B2：依次将步骤B1得到的N个10*P维数的矩阵中每个长度为10的列向量作为输入数据，输入至对应神经网络的N个风速预测集成模型，输出得到N个长度为P的风速集成行向量，进入步骤B3；

步骤B3：将N个长度为P的风速集成行向量作为行向量组成N*P维数的矩阵；依次将N*P维数的矩阵中每个长度为N的列向量作为输入数据，风速模型筛选样本中对应时刻的风速值作为输出数据，训练小波神经网络，得到基于小波神经网络的风速预测归一模型；

所述风速预测归一模型中的小波神经网络在训练时设置输入层节点个数为N，隐含层节点个数为2*N，输出层节点个数为1，最大迭代次数设置为500，训练学习率为0.02，阈值为

0.05；

步骤8：实时预测风速；

设置和步骤1中原始风速数据集相同的采样时间间隔，通过测风站实时采集获取当前以及近期风速，获取长度至少为200的原始风速时间序列向量，然后进行实时预测风速，具体过程如下：步骤C1：设置预测风速目标时间T，进入步骤C2；

步骤C2：对原始风速时间序列向量进行无迹卡尔曼滤波得到滤波后的风速时间序列向量，进入步骤C3；

步骤C3：将风速时间序列向量中与目标时间T最接近的4个时刻的风速值作为输入数据，分别输入至所有风速预测特征模型，得到N个长度为10的风速特征列向量，进入步骤C4；

步骤C4：依次将N个长度为10的风速特征列向量输入至对应的风速预测集成模型，得到N个风速集成值，进入步骤C5；

步骤C5：将N个风速集成值作为输入数据，输入至风速预测归一模型，得到风速归一值，进入步骤C6；

步骤C6：判断风速归一值所在时刻是否超过设置的预测风速目标时间T，若是，进入步骤C8，否则，进入步骤C7；

步骤C7：将步骤C5得到的风速归一值按时间顺序插入到风速时间序列向量中，更新风速时间序列向量，返回步骤C3；

步骤C8：计算风速时间序列向量中与目标时间T最接近的100个时刻风速值组成的向量与步骤2中的风速数据集任意时间连续的100个风速值组成的向量之间的皮尔逊相关系数，得到皮尔逊相关系数矩阵，找到皮尔逊相关系数最高的100个风速数据集中的风速值组成的向量，将其对应时刻的风速噪声集中100个连续噪声附加到风速时间序列向量中与目标时间T最接近的100个时刻风速值中，获得目标时间的实时风速预测值。

2.根据权利要求1所述的方法，其特征在于，所述时间连续滚动规则指的是时间序列数据中为每个时刻代表的数据都将作为一次分解向量的开始值，取连续5个时刻的风速值作为一个风速训练向量。

3.根据权利要求1所述的方法，其特征在于，所述N种基于神经网络的风速预测特征预选模型组至少包括：基于Elman神经网络的风速预测特征预选模型组、基于BP神经网络的风速预测特征预选模型组和基于小波神经网络的风速预测特征预选模型组。

4.根据权利要求3所述的方法，其特征在于：所述基于Elman神经网络的风速预测特征预选模型组内的所有风速预测特征预选模型中的Elman神经网络在训练时设置输入层节点个数为3，隐含层节点个数为7，输出层节点个数为2，承接层节点个数为7；隐含层函数采用Sigmoid函数，最大迭代次数设置为900，训练学习率取值范围为[0.001,0.05]，阈值取值范围为[0.001,0.1]；

所述基于BP神经网络的风速预测特征预选模型组内的所有风速预测特征预选模型中的BP神经网络在训练时设置输入层节点个数为3，隐含层节点个数取值范围为[5,10]，输出层节点个数为2，最大迭代次数设置为800，训练学习率取值范围为[0.001,0.05]，阈值取值范围为[0.001,0.1]；

所述基于小波神经网络的风速预测特征预选模型组内的所有风速预测特征预选模型中的小波神经网络在训练时输入层节点个数为3，隐含层小波元个数取值范围为[5,10]，输出层节点个数为2；隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数，训练过程中的最大迭代次数设置为800，训练学习率取值范围为[0.001,0.05]，阈值取值范围为[0.001,0.1]。

5.根据权利要求1所述的方法，其特征在于，所述均方误差分析和相关性分析模型筛选方法具体过程如下：步骤A1：依次将风速模型筛选样本中所有风速训练向量内前4个时刻的风速值作为输入数据，输入到所有的风速预测特征预选模型，输出第5个时刻的风速特征预选值，进入步骤A2；

步骤A2：将每个风速预测特征预选模型输出的风速特征预选值按时间次序排列作为风速特征预选向量，进入步骤A3；

步骤A3：计算每个模型的风速特征预选向量与风速模型筛选样本中对应风速值时间序列向量的均方误差，N种基于神经网络的风速预测特征预选模型组内分别淘汰均方误差较大的风速预测特征预选模型30个，即剩余共70*N个风速预测特征预选模型，进入步骤A4；

步骤A4：分别计算N种基于神经网络的风速预测特征预选模型组内剩余的70个风速预测特征预选模型输出的风速特征预选向量两两之间的皮尔逊相关性系数，得到N个皮尔逊相关性系数矩阵，进入步骤A5；

步骤A5：分别计算N种基于神经网络的风速预测特征预选模型组内每个风速预测特征预选模型输出的风速特征预选向量与其他模型输出的风速特征预选向量之间的皮尔逊相关系数的累加值，逐步淘汰皮尔逊相关系数累加值最大的模型，直到N种基于神经网络的风速预测特征预选模型组内均剩余10个风速预测特征预选模型，进入步骤A6；

步骤A6：每种基于神经网络的风速预测特征预选模型组内均剩余10个风速预测特征预选模型，命名为风速预测特征模型，将N种基于神经网络的风速预测特征预选模型组重新命名为N种基于神经网络的风速预测特征模型组。

6.根据权利要求1所述的方法，其特征在于，所述N个基于灰色神经网络的风速预测集成模型在训练时均设置输入层节点个数为10，隐含层节点个数为20，输出层节点个数为1，最大迭代次数设置为800，训练学习率为0.01，阈值为0.001。