技术特征：
1.一种基于灰色关联的电动汽车换电需求的集成学习预测方法，其特征在于，包括：构建数据集并进行预处理，将预处理后的数据集分为训练集和测试集；选择k个基学习器，采用交叉验证方式让每个基学习器对训练集的样本进行训练并预测；对于所述测试集中的每一个输入样本，通过灰色关联分析选择其最佳相似日训练集；根据各基学习器在最佳相似日训练集中的预测结果，建立预测偏差最小化优化模型，并采用带权重系数的l1范数作为正则项；基于优化模型求解得到的各基学习器的权重系数，得到集成预测器，基于集成预测器得到集成学习预测结果；其中，集成预测器的输出是各基学习器输出的线性加权组合。2.如权利要求1所述的集成学习预测方法，其特征在于，所述数据集为式中，t为数据集，x
i
为第i个样本，i取1,
…
,n，n为样本数；为样本i的第j个特征，j取1,
…
,m，m为特征数；y
i
为样本i的标签，即电动汽车换电需求量，i取1,
…
,n。3.如权利要求2所述的集成学习预测方法，其特征在于，所述特征包括：x
(1)
为星期，编码从1到7；x
(2)
为是否为周末，是则编码为1，否则为0；x
(3)
为天气，分为晴天、阴天、雨天或雪天，并分别编码为1，2，3；x
(4)
为当日的最高气温值；x
(5)
为当日的最低气温值；x
(6)
为上周同一天的所有电动汽车换电需求量；x
(7)
为预测日的前一天所有电动汽车的换电需求量；x
(8)
为所有电动汽车在预测日前一天的行驶里程；x
(9)
～x
(13)
分别为在预测日前一天所有车辆结束行驶时，其电池剩余量(soc)在区间[0,20％]、[20％,40％]、[40％,60％]、[60％,80％]、[80％,100％]的车辆占所有电动汽车的比例。4.如权利要求2所述的集成学习预测方法，其特征在于，所述数据集的预处理，包括：先对数据进行标准化，而后采用pca进行降维处理；所述训练集包括训练子集和验证集，所述训练子集为总数据量的70％，所述验证集和测试集均为总数据量的15％；所述基学习器包括k近邻(knn)、支持向量机(svr)、梯度提升回归树(gbrt)、随机森林(rf)和岭回归(rr)。5.如权利要求4所述的集成学习预测方法，其特征在于，所述采用交叉验证方式让每个基学习器对训练集的样本进行训练并预测，包括：采用六折交叉验证；将训练集平均分成6份，分别为t1、t2、t3、t4、t5、t6，将其中5份作为训练子集来训练基学习器，另一份作为验证集用基学习器进行预测；进行多次训练和预测后，得到每个基学习器在训练集中的预测结果；其中，f
r
(
·
)为第r个基学习器，r＝1,2,3,4,5，通过交叉验证方式，可以得到5个基学习器在训练集中的预测
结果f
r
(x
i
)；将所有基学习器在整个训练子集上进行训练。6.如权利要求5所述的集成学习预测方法，其特征在于，使用灰色关联分析选择在训练集中与第i个样本最相关的r(i
1
,i
2
,
…
,i
r
)天，作为相似日训练集t
i
；式中，为第k个基学习器对第r天样本i的预测结果。7.如权利要求6所述的集成学习预测方法，其特征在于，灰色关联分析包括：首先计算灰色关联系数(ξ
0i
)，然后计算灰色关联度(γ
0i
)，对于输入的测试集样本x
0
和训练集中的样本x
i
，灰色关联系数计算公式为：其中ξ
0i
(c)为测试集样本x
0
和训练集中的样本x
i
在第c个特征的灰色关联系数，在第c个特征的灰色关联系数，ρ∈[0,1]，计算出输入的测试集样本与训练集中集所有样本在每个特征的灰色关联系数后，需要计算出输入的测试集样本和训练集中每个样本的灰色关联度，其公式为即取每个灰色关联系数的平均值，计算出来的灰色关联度值越大相关性越高；根据计算出来灰色关联度，从训练集中选取最相关的r个样本作为相似日训练集。8.如权利要求7所述的集成学习预测方法，其特征在于，优化模型为：该公式可等价为如下线性规划：s.t.α≥0s.t.α≥0s.t.α≥0式中，e[]为对括号里面的公式求期望，在离散情况下即为求均值；y是一个随机变量，即训练集中某样本实际的预测值，y
i
为第i个样本的实际值；f＝(f
1
,...,f
k
),即k个基预测器分别在y对应的样本的预测值，‖α‖
1
＝|α
1
|+...+|α
k
|,w为权重系数，k为基学习器的个数；z和v
i
为引入的中间变量，求解该优化模型，可得到决策变量α＝(α
1
,..,α
k
)。9.如权利要求8所述的集成学习预测方法，其特征在于，对于某一测试集样本x
i
，最终的预测结果f(x
i
)＝α
1
f
1
(x
i
)+...+α
k
f
k
(x
i
)。10.一种如权利要求1～9中任一项所述的集成学习预测方法的预测系统，其特征在于，包括：
构建模块，用于构建数据集并进行预处理，将预处理后的数据集分为训练集和测试集；训练模块，用于选择k个基学习器，采用交叉验证方式让每个基学习器对训练集的样本进行训练并预测；分析模块，用于对于所述测试集中的每一个输入样本，通过灰色关联分析选择其最佳相似日训练集；建立模块，用于根据各基学习器在最佳相似日训练集中的预测结果，建立预测偏差最小化优化模型，并采用带权重系数的l1范数作为正则项；预测模块，用于基于优化模型求解得到的各基学习器的权重系数，得到集成预测器，基于集成预测器得到集成学习预测结果；其中，集成预测器的输出是各基学习器输出的线性加权组合。