1.一种基于气象参数的高速列车导航盲区定位方法，其特征在于，包括以下步骤：

1)采集隧道气象参数；

2)对步骤1)采集的隧道气象参数进行分类；

3)利用分类的隧道气象参数构建典型序列HSV颜色空间模板库；

4)训练所述典型序列HSV颜色空间模板库；

5)利用所述HSV颜色空间模板库训练HSV模板匹配模型；训练RVM识别模型；

训练RVM识别模型的具体实现过程包括：

A)定义训练样本，定义输入样本I＝(T,H,t0,h0,r0),其中T＝(t1,t2…,t19,t20)为隧道内当前样本点及往前N个样本点的温度时间序列，其中H＝(h1,h2…,h19,h20)为隧道内的当前样本点及往前N个样本点的湿度时间序列，t0,h0和r0分别为从气象站获取的时平均气温、时平均湿度和时平均太阳辐射量的预测值；输出样本为当前位置对应的里程值O，输入和输出组合Y＝{I,O}构成建模样本；针对每个二次聚类形成的同类隧道群体，选取M个样本用于建立里程预测模型，M的取值范围为[2000,6000]；

B)划分训练集、验证集和测试集，采用无放回随机采样的方式选取M个样本中60％作为训练集，30％作为验证集，10％作为测试集；

C)采用二进制鲸鱼算法优化模型的输入特征，即对输入样本I中每个维度的特征进行二进制编码，当某维度的特征对应的编码值为1时，该特征被选择作为RVM模型的输入变量，当某维度的特征对应的编码值为0时，该维度的特征被舍弃，将43个维度特征随机初始化编码为0或1；

D)基于当前特征编码值，确定输入特征，采用训练集数据训练RVM模型，将验证集数据输入训练好的RVM模型，获取模型输出序列为 其中M1＝0.3M；定义优化目标函数 其中 为验证集的真实输出值；

E)采用二进制鲸鱼算法进行迭代优化运算，确定最优的输入特征和RVM模型，该模型即为RVM识别模型；

6)构建HSV模板匹配模型与RVM识别模型的融合模型，即得到里程预测融合模型；HSV模板匹配与RVM识别模型的融合模型 其中，为将测试集数据代入RVM识别模型获取的输出序

列， 为以测试集数据为输入，HSV模板匹配模型的输出结果，M2＝0.1M， 为真实值；

7)获取输入数据，调用里程预测融合模型，预测列车位置。

2.根据权利要求1所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，步骤1)中，利用采集的隧道气象参数构建隧道气象参数数据库，具体构建过程包括：采集列车一次通过某隧道时采集的温度、湿度时间序列、所在区域的经纬度以及时平均气温、时平均湿度、时平均太阳辐射量的预测值，构成1组隧道气象参数样本；辖区内所有列车1年内运行采集的隧道气象参数样本构成隧道气象参数数据库。

3.根据权利要求1所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，步骤2)的具体实现过程包括：a)采用球坐标转换关系，将经纬度坐标转换为平面坐标；对隧道气象参数进行归一化处理，处理后的经度、维度坐标和隧道气象参数组成隧道类别粗划分输入属性集合；

b)以隧道类别粗划分输入属性为对象，采用OPTICS算法进行隧道群样本输出排序，将序列的可达距离与设定邻域距离参数ε相比较，序列中可达距离小于设定值的连续样本构成一个样本簇；获取每个聚类样本簇的聚类中心 及距离聚类中心最近的5个样本其中 对应于转换后的经度、纬度、时平均气温、时平均湿度、时平均太阳辐射量；将聚类中心 和5个样本 定义为当前类别的表征样本；

c)针对每个基于隧道类别粗划分输入属性集合获得的聚类样本簇进行进一步划分。

4.根据权利要求3所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，针对每个基于隧道类别粗划分输入属性集合获得的聚类样本簇进行进一步划分的具体实现过程包括：

1)将样本簇中列车通过隧道时的温度时间序列和湿度时间序列进行镜像延拓，将样本簇内的温度、湿度时间序列转化为长度分别等于各自最长样本长度的序列；

2)设定延迟时间和窗口长度，采用延迟坐标法对温度、湿度时间最长样本长度的序列进行相空间重构，获取代表温度湿度演化特性的二维重构矩阵；

3)将样本的二维重构矩阵输入训练自动编码器，获取用于进一步划分的深度特征属性集合；

4)将深度特征属性集合作为输入，按照步骤b)的流程获取二次聚类的每个聚类样本簇的聚类中心 及距离聚类中心最近的5个样本；将聚类中心 和5个样本定义为当前类别二次聚类的表征样本。

5.根据权利要求4所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，步骤3)的具体实现过程包括：将各类别隧道群体中距离该群体对应的聚类中心最近的5个二次聚类的表征样本 作为该类别下的典型隧道样本；将典型隧道样本中随隧道里程变化的气温和湿度参数序列作为该类别的模板序列，设定延迟时间和窗口长度，采用延迟坐标法对温度、湿度和温度差分序列时间序列进行相空间重构，获取三个代表温度湿度演化特性的二维重构矩阵，将三个矩阵组合按照HSV颜色空间组合，形成彩色图像即为模板图像fi,i＝1,2…5。

6.根据权利要求5所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，训练HSV模板匹配模型的具体实现过程包括：

1)采集温度、湿度和温度差分时间序列中当前样本点及往前的N个采样点；

2)设定延迟时间和窗口长度，采用延迟坐标法进行相空间重构，获取三个代表温度湿度演化特性的二维重构矩阵，将三个矩阵组合按照HSV颜色空间组合，形成当前位置特征图像h；

3)将当前位置特征图像与模板库中的图像进行卷积运算 其中每

个gi均为一个一维序列；

4)对所有gi序列中的元素进行由大到小的排序，确定最大的5个元素为候选元素，候选元素对应的排序前所在位置为候选位置，候选位置对应的里程值为lj,j＝1,2,…5；

5)将候选位置对应的里程值取均值确定为当前的模板匹配输出值，即模板匹配输出值MO＝mean(lj),j＝1,2,…5。

7.根据权利要求6所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，预测列车位置的具体实现过程包括：计算当前样本点的RVM模型输入向量，将RVM模型输入向量代入RVM里程预测模型中，获取目标RVM模型输出值；获取当前样本点的模板匹配模型输入值，代入HSV模板匹配模型中，获取目标模板匹配模型输出值；参照HSV模板匹配与RVM识别融合模型获取最终列车位置预测结果；其中，目标模板匹配模型是指二次聚类目标样本簇下训练的模型；二次聚类目标样本簇是指当前样本点到所有一次聚类目标样本簇下属的二次聚类表征样本间最小值对应的样本簇。