1.一种基于长短时记忆网络的列车状态在线预测方法，其特征在于，具体按照以下步骤实施：步骤1、列车状态监测数据预处理与归一化；

步骤2、列车状态监测数据选取与划分；

步骤3、LSTM网络门结构设计；

步骤4、LSTM网络梯度反向计算误差；

步骤5、调节网络循环次数，进行状态预测。

2.根据权利要求1所述的一种基于长短时记忆网络的列车状态在线预测方法，其特征在于，所述步骤1具体如下：数据预处理包括对列车状态监测数据进行缺失数据补全、突变点剔除操作；

数据归一化采用线性函数归一化，去掉状态监测数据的量纲，将数据限制到一定区间，使运算更为便捷，如下式：其中，x为列车状态不同时刻的监测数据，xmin和xmax分别为状态监测数据中的最小值和最大值，xnorm为归一化处理后的状态数据。

3.根据权利要求2所述的一种基于长短时记忆网络的列车状态在线预测方法，其特征在于，所述步骤2具体如下：选取列车状态历史监测数据为研究对象，对监测数据进行划分，设定前70％和后30％的历史监测数据为LSTM网络训练数据集和测试数据集，用于之后的LSTM网络模型的训练与测试。

4.根据权利要求3所述的一种基于长短时记忆网络的列车状态在线预测方法，其特征在于，所述步骤3具体如下：步骤3.1、以t时刻的网络细胞为研究对象，t时刻的细胞输入由t-1时刻的隐藏层单元ht-1、t-1时刻的细胞状态Ct-1和当前时刻的列车状态数据xt共同组成，t时刻的细胞输出为隐藏层单元ht和细胞状态Ct；

步骤3.2：遗忘门决定上一时刻细胞状态Ct-1中的信息传递到当前时刻Ct中的信息量，由ft控制，值域为(0,1)，其计算公式如下：ft＝σ(Wxfxt+Uhfht-1+bf)式中，ft为遗忘门状态，Wxf和Uhf分别为输入列车状态特征向量和隐藏层单元与遗忘门之间的权重，bf为遗忘门的偏差值，σ表示sigmod函数，如下所示：式中，x为输入数据，通过sigmod函数将数据映射到[0,1]之间，便于后续的分析与处理；

步骤3.3：细胞输入门用来控制当前输入新生成的信息 中加入到细胞状态Ct中的信息量，由it控制，值域为(0,1)，设tanh层产生当前时刻新的信息，sigmoid层控制新信息传递到细胞状态的信息量，计算公式如下：it＝σ(Wxixt+Uhiht-1+bi)式中，it为输入门状态， 为当前输入新信息，Wxi和Uhi分别为输入列车状态特征向量和隐藏层单元与输入门之间的权重，bi为输入门的偏差值，tanh表示激活函数，tanh函数如下所示：式中，x为输入数据，通过tanh函数将数据映射到[-1,1]之间，便于后续的分析与处理；

步骤3.4：基于遗忘门和输入门的输出，更新细胞状态，具体计算公式如下：式中，Ct为t时刻细胞状态；

步骤3.5：基于更新的细胞状态，输出门ot采用sigmoid层控制细胞状态信息作为隐藏状态的输出ht。

5.根据权利要求4所述的一种基于长短时记忆网络的列车状态在线预测方法，其特征在于，所述步骤4具体如下：步骤4.1：定义反向传播计算误差δ为模型目标函数E对加权输入nett＝(Uh*ht-1+Wx*xt+b)的偏导，δ的传播沿两个方向，分别为从输出层传递至输入层，以及沿时间t的反向传播；

步骤4.2：定义： 由ht＝ot*tanh(Ct)得式中，Ct记忆了所有时刻的细胞状态，故每个时间点迭代时， 累加；

步骤4.3：由 得到：

根据

it＝f(netit)＝sigmoid(Uhi*ht-1+Wxi*xt+bi)ft＝f(netft)＝sigmoid(Uhf*ht-1+Wxf*xt+bf)ot＝f(netot)＝sigmoid(Uho*ht-1+Wxo*xt+bo)得

步骤4.4：计算各个权重矩阵的偏导数：

步骤4.5：以t时刻网络细胞为研究对象，δ从输出层传递至输入层，对于输出层L，由于yt＝g(Wy*ht+by)＝g(nett)，则权重Wy,by的偏导数：

同理

步骤4.6：对于其它层，由于

nett＝(Uh*ht-1+Wx*xt+b)又因为

得到

6.根据权利要求5所述的一种基于长短时记忆网络的列车状态在线预测方法，其特征在于，所述步骤5具体如下：选取步骤4得到的全部数据的前70％和后30％分别作为网络的训练数据和测试数据，调节网络循环次数与网络参数，进行列车状态的预测。