1.一种城市轨道交通短时客流容错预测系统，其特征在于：所述城市轨道交通短时客流容错预测系统包括3个神经网络模块、预测故障检测模块(2)、筛选模块(3)和容错处理模块(4)；所述3个神经网络模块的目标函数各不相同；所述3个神经网络模块分别记为预测模块(1-1)、监督模块Ⅰ(1-2)和监督模块Ⅱ(1-3)；所述预测模块(1-1)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述监督模块Ⅰ(1-2)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述监督模块Ⅱ(1-3)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述预测故障检测模块(2)的输出端与筛选模块(3)的控制部连接；所述筛选模块(3)有三个输出端，所述容错处理模块(4)有三个输入端，筛选模块(3)的三个输出端与容错处理模块(4)的三个输入端一一对应地连接；由筛选模块(3)的三个输出端和容错处理模块(4)的三个输入端所形成的三条传输通道分别记为通道一、通道二和通道三；

所述预测模块(1-1)能根据外部输入的输入向量，输出相应的输出向量Ⅰ，输出向量Ⅰ记为y1；

所述监督模块Ⅰ(1-2)能根据外部输入的输入向量，输出相应的输出向量Ⅱ，输出向量Ⅱ记为y2；

所述监督模块Ⅱ(1-3)能根据外部输入的输入向量，输出相应的输出向量Ⅲ，输出向量Ⅲ记为y3；

所述输入向量由客流量数据经归一化处理后得到；

y1和y2的相对误差记为e1，y1和y3的相对误差记为e2；所述预测故障检测模块(2)能根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较：若e1和e2均大于误差阈值σ，则预测故障检测模块(2)输出控制信号一，否则，预测故障检测模块(2)输出控制信号二；

所述筛选模块(3)能根据预测故障检测模块(2)输出的信号，选择性地将y1、y2和y3输出至容错处理模块(4)：若预测故障检测模块(2)输出的是控制信号一，则筛选模块(3)通过通道二将y2输出至容错处理模块(4)，同时，筛选模块(3)通过通道三将y3输出至容错处理模块(4)；若预测故障检测模块(2)输出的是控制信号二，则筛选模块(3)通过通道一将y1输出至容错处理模块(4)；

所述容错处理模块(4)能根据筛选模块(3)的输出信号生成客流量预测数据并将客流量预测数据向外输出：若筛选模块(3)通过通道一向容错处理模块(4)输出y1，则容错处理模块(4)对y1进行反归一化处理，得到客流量预测数据；若筛选模块(3)分别通过通道二和通道三向容错处理模块(4)输出y2和y3，则容错处理模块(4)对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据。

2.根据权利要求1所述的城市轨道交通短时客流容错预测系统，其特征在于：所述加权处理值y由下式得到：

y＝w1y2+w2y3

其中，w1为对应y2的权重系数，w2为对应y3的权重系数，0＜w1＜1，0＜w2＜1，且w1+w2＝1；

w1和w2均为预设值。

3.根据权利要求1或2所述的城市轨道交通短时客流容错预测系统，其特征在于：所述e1由下式得到：

所述e2由下式得到：

4.根据权利要求1或2所述的城市轨道交通短时客流容错预测系统，其特征在于：所述监督模块Ⅰ(1-2)采用小波神经网络搭建，所述监督模块Ⅱ(1-3)采用径向基神经网络搭建。

5.根据权利要求4所述的城市轨道交通短时客流容错预测系统，其特征在于：搭建所述监督模块Ⅰ(1-2)时，采用目标函数J1(n)对监督模块Ⅰ(1-2)进行协同训练：搭建所述监督模块Ⅱ(1-3)时，采用目标函数J2(n)对监督模块Ⅱ(1-3)进行协同训练：其中，N为样本个数，n为样本编号，1≤n≤N；f1(n)为输出向量II，f2(n)为输出向量Ⅲ，d(n)为期望输出向量，λ1为监督模块Ⅰ所对应的权重因子，λ2为监督模块II所对应的权重因子，0＜λ1＜1，0＜λ2＜1，且λ1+λ2＝1，λ1和λ2均为预设值。

6.一种城市轨道交通短时客流容错预测方法，所涉及的硬件包括城市轨道交通短时客流容错预测系统；所述城市轨道交通短时客流容错预测系统包括3个神经网络模块、预测故障检测模块(2)、筛选模块(3)和容错处理模块(4)；所述3个神经网络模块的目标函数各不相同；所述3个神经网络模块分别记为预测模块(1-1)、监督模块Ⅰ(1-2)和监督模块Ⅱ(1-

3)；所述预测模块(1-1)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述监督模块Ⅰ(1-2)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述监督模块Ⅱ(1-3)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述预测故障检测模块(2)的输出端与筛选模块(3)的控制部连接；所述筛选模块(3)有三个输出端，所述容错处理模块(4)有三个输入端，筛选模块(3)的三个输出端与容错处理模块(4)的三个输入端一一对应地连接；由筛选模块(3)的三个输出端和容错处理模块(4)的三个输入端所形成的三条传输通道分别记为通道一、通道二和通道三；

所述预测模块(1-1)能根据外部输入的输入向量，输出相应的输出向量Ⅰ，输出向量Ⅰ记为y1；

所述监督模块Ⅰ(1-2)能根据外部输入的输入向量，输出相应的输出向量Ⅱ，输出向量Ⅱ记为y2；

所述监督模块Ⅱ(1-3)能根据外部输入的输入向量，输出相应的输出向量Ⅲ，输出向量Ⅲ记为y3；

所述输入向量由客流量数据经归一化处理后得到；

y1和y2的相对误差记为e1，y1和y3的相对误差记为e2；所述预测故障检测模块(2)能根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较，若e1和e2均大于误差阈值σ，则预测故障检测模块(2)输出控制信号一，否则，预测故障检测模块(2)输出控制信号二；

所述筛选模块(3)能根据预测故障检测模块(2)输出的信号，选择性地将y1、y2和y3输出至容错处理模块(4)：若预测故障检测模块(2)输出的是控制信号一，则筛选模块(3)通过通道二将y2输出至容错处理模块(4)，同时，筛选模块(3)通过通道三将y3输出至容错处理模块(4)；若预测故障检测模块(2)输出的是控制信号二，则筛选模块(3)通过通道一将y1输出至容错处理模块(4)；

所述容错处理模块(4)能根据筛选模块(3)的输出信号生成客流量预测数据并将客流量预测数据向外输出：若筛选模块(3)通过通道一向容错处理模块(4)输出y1，则容错处理模块(4)对y1进行反归一化处理，得到客流量预测数据；若筛选模块(3)分别通过通道二和通道三向容错处理模块(4)输出y2和y3，则容错处理模块(4)对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据；

其特征在于：所述方法包括：

所述神经网络模块的输入层神经元数量为5个，神经网络模块的输出层神经元为1个；

设定统计周期和循环周期；所述循环周期的时长为7天，所述统计周期的时长远小于循环周期的时长；按统计周期将单个循环周期划分为多个时段；将多个循环周期顺次编号，将单个循环周期所辖的多个时段顺次编号；对各个时段的客流量数据ri,j进行统计，i为循环周期的序号，j为时段的序号，ri,j表示第i个循环周期中第j个时段的客流量数据；积累了大量的客流量数据后，对客流量数据进行归一化处理，ri,j的归一化结果记为Ri,j；将Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1、Ri,j-2和Ri,j作为一个样本，其中，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2即为输入向量，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2与5个输入层神经元一一对应，Ri,j为训练时的输出向量，Ri,j与输出层神经元对应；多个样本即形成样本库，用样本库分别对3个神经网络模块进行训练；神经网络模块训练好后，搭建出城市轨道交通短时客流容错预测系统，并将城市轨道交通短时客流容错预测系统投入运营；

运营过程中，按如下方式对客流量进行预测：

1)将相应的输入向量分别输入3个神经网络模块中，3个神经网络模块即可得到相应的y1、y2和y3；将y1、y2和y3输出至预测故障检测模块(2)，同时，将y1、y2和y3输出至筛选模块(3)；

2)所述预测故障检测模块(2)根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较，若e1和e2均大于误差阈值σ，则预测故障检测模块(2)向筛选模块(3)输出控制信号一并进入步骤3A)，否则，预测故障检测模块(2)向筛选模块(3)输出控制信号二并进入步骤3B)；

3A)筛选模块(3)通过通道二将y2输出至容错处理模块(4)，同时，筛选模块(3)通过通道三将y3输出至容错处理模块(4)；进入步骤4A)

3B)筛选模块(3)通过通道一将y1输出至容错处理模块(4)；进入步骤4B)；

4A)容错处理模块(4)对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据；

4B)容错处理模块(4)对y1进行反归一化处理，得到客流量预测数据。

7.根据权利要求6所述的城市轨道交通短时客流容错预测方法，其特征在于：所述加权处理值y由下式得到：

y＝w1y2+w2y3

其中，w1为对应y2的权重系数，w2为对应y3的权重系数，0＜w1＜1，0＜w2＜1，且w1+w2＝1；

w1和w2均为预设值。

8.根据权利要求6或7所述的城市轨道交通短时客流容错预测方法，其特征在于：所述e1由下式得到：

所述e2由下式得到：

9.根据权利要求6或7所述的城市轨道交通短时客流容错预测方法，其特征在于：所述监督模块Ⅰ(1-2)采用小波神经网络搭建，所述监督模块Ⅱ(1-3)采用径向基神经网络搭建。

10.根据权利要求9所述的城市轨道交通短时客流容错预测方法，其特征在于：搭建所述监督模块Ⅰ(1-2)时，采用目标函数J1(n)对监督模块Ⅰ(1-2)进行训练：搭建所述监督模块II(1-3)时，采用目标函数J2(n)对监督模块II(1-3)进行训练：其中，N为样本个数，n为样本编号，1≤n≤N；f1(n)为输出向量II，f2(n)为输出向量Ⅲ，d(n)为期望输出向量，λ1为监督模块Ⅰ所对应的权重因子，λ2为监督模块II所对应的权重因子，0＜λ1＜1，0＜λ2＜1，且λ1+λ2＝1，λ1和λ2均为预设值。