1.基于多源异构数据融合的铁路沿线大风预测算法，其特征在于，包括以下步骤S1，针对待预测铁路沿线风速监测点区域，在预设历史范围内预设时距的各历史时间点，获取区域内目标风速监测点的风速数据，以及相距该目标风速监测点预设距离内各气象站的气象要素数据，并对风速数据和气象要素数据进行数据预处理，构建多元多时距风速预测样本集，多元多时距风速预测样本集包括检测气象要素数据以及相对应的铁路沿线目标风速监测点的检测风速，其中，气象要素数据包括风速、风向、气压、温度、湿度、降雨量；

S2，构建待训练基于多源异构数据融合的多支路TCN‑BiLstm注意力预测网络模型；

所述基于多源异构数据融合的多支路TCN‑BiLstm注意力预测网络模型包括依次相连的编码器和解码器，编码器中包括依次相连的多支路特征提取网络和特征融合模块；

在编码器中，构建多支路特征提取网络，多支路特征提取网络包括用于提取不同层级特征的三个依次相连的特征提取支路，其中，各特征提取支路分别均包括依次相连的TCN时间卷积网络、BiLstm双向长短期记忆网络以及ECANet高效通道注意力网络；第一特征提取支路的输入为多元多时距风速预测样本集，各后续特征提取支路的输入是前一个特征提取支路的输出，各特征提取支路的输出为所提取的特征向量；

特征融合模块的输入为三个特征提取支路所提取的特征向量，特征融合模块包括依次相连的1×1卷积核的DO‑Conv深度参数化卷积、批量归一化层和GELU非线性激活函数、ECANet高效通道注意力网络；

解码器的输入为特征融合后得到的特征向量，解码器包括1×1卷积层、ECANet高效通道注意力网络以及、BiLstm双向长短期记忆网络，获得最终预测向量并输出；

S3，基于多元多时距风速预测样本集，以铁路沿线目标风速监测点的检测风速以及相对应的检测气象要素数据为输入，以目标风速监测点的相距预设时距的检测风速为输出，针对待训练基于多源异构数据融合的多支路TCN‑BiLstm注意力预测网络模型进行训练，获得基于多源异构数据融合的多支路TCN‑BiLstm注意力预测网络模型；

S4，以检测气象要素数据为输入，以铁路沿线目标风速监测点的预测风速为输出，使用基于多源异构数据融合的多支路TCN‑BiLstm注意力预测网络模型进行预测。

2.根据权利要求1所述的基于多源异构数据融合的铁路沿线大风预测算法，其特征在于，S1中所述对风速数据和气象要素数据进行数据预处理包括获取预设历史范围内预设时距的各历史时间点铁路沿线目标风速监测点的风速数据的平均值，并选择中位数处理异常值，选取的与铁路风速监测点相关性大的气象要素数据，然后选择岭回归填补缺失数据。

3.根据权利要求1所述的基于多源异构数据融合的铁路沿线大风预测算法，其特征在于，S2中所述特征融合模块中，针对输入的三个特征提取支路所提取的特征向量，进行如下操作：首先，每个特征提取支路获得的特征向量分别输入一个带有1×1卷积核的DO‑Conv深度参数化卷积，获得两个分支的高层次特征表示的特征向量；其次，将各分支的高层次特征表示的特征向量分别均输入一个批量归一化层和一个GELU非线性激活函数，获得两个分支的经过特征提取和处理的特征向量；然后，将两个分支的经过特征提取和处理的特征向量进行组合，获得组合特征向量；将组合特征向量先后输入一个ECANet高效通道注意力网络和1×1卷积核的DO‑Conv深度参数化卷积，获得特征融合模块输出的特征向量，计算过程如下：X1＝G(BN(DOConv1×1(Xin1)))

X2＝G(BN(DOConv1×1(Xin2)))

X3＝G(BN(DOConv1×1(Xin3)))

W＝Concat(X1,X2，X3)

Yout＝G(BN(DOConv3×1(Trans(W))))

其中，Xin1，Xin2和Xin3是将多元多时距风速预测样本集经过多支路特征提取，输入数据X1、X2、X3经过多支路特征提取网络后的输出，并作为特征融合模块的输入，网络，数据维度为128；Yout表示特征融合模块输出的特征向量，DOConvn×m表示使用n×m卷积核的卷积过程，Concat(·)代表基于通道维度的拼接操作，Trans(·)表示经过高效通道注意力网络的过程，BN(·)和G(·)分别代表批量归一化和GELU非线性激活函数。

4.根据权利要求3所述的基于多源异构数据融合的铁路沿线大风预测算法，其特征在于，S2中所述解码器中，解码器的输入为特征融合模块输出的特征向量Yout，首先使用1×1卷积层修改输入通道的数量，然后使用ECANet高效通道注意力网络在特征数据中建立长时间特征关系，并通过提取重要的特征表示从而增强输入特征，将所增强的输入特征作为BiLSTM双向长短期记忆网络的输入，计算过程如下：W＝Conv1×1(Yout)

T＝Trans(W)

L＝BiLSTM(T)

其中，Yout为特征融合模块的输出，并且Yout作为解码器的输入，Conv1×1(·)表示使用1×1卷积核的卷积过程，Trans(·)和BiLSTM(·)分别表示通过ECANet高效通道注意力网络和BiLstm双向长短期记忆网络的过程，Concat(·)代表基于信道维度的拼接操作， 为最终的预测向量。

5.根据权利要求1所述的基于多源异构数据融合的铁路沿线大风预测算法，其特征在于，S3中所述模型学习训练过程中包括以下步骤：S301，将S1中得到多元多时距风速预测样本集作为基于多源异构数据融合的多支路TCN‑BiLstm注意力预测网络模型的输入，其中，多元多时距风速预测样本集的前80％用作训练，后20％用作测验；

S302，选用交叉熵作为最大损失函数，选用Adam优化器更新模型的学习率，学习率为[1e‑4,1e‑3]，模型选取的指数衰减率系数为0.95，迭代次数设置为200次，进行单步预测。

6.根据权利要求1所述的基于多源异构数据融合的铁路沿线大风预测算法，其特征在于，S3中所述模型评价指标，包括MAE绝对平均误差、RMSE均方根误差和MAPE平均绝对百分比误差，评估基于多源异构数据融合的多支路TCN‑BiLstm注意力预测网络模型预测的准确性。