1.一种高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，包括以下步骤：S1、采集高速列车运行时的构架横向加速度信号，作为原始数据信号，并对其进行预处理；

S2、构造LUBE模型，并通过预处理后的原始数据信号对其进行两级训练，得到训练好的LUBE模型；

S3、将高速列车实时运行数据输入至训练好的LUBE模型中，得到小幅蛇行演变趋势的区间预测结果。

2.根据权利要求1所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤S1中，采集的原始数据信号为高速列车运行时的构架的1位和4位横向加速度信号；

所述步骤S1中，对原始数据信号进行预处理包括滤波、零均值化、消除趋势项以及数据平滑处理。

3.根据权利要求2所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤S2中的LUBE模型包括需要依次训练的初级网络和次级网络；

所述初级网络和次级网络均为CNN‑RNN网络结构，所述初级网络和次级网络的网络层数一样，仅其最后一层输出层不同，将训练完成的所述初级网络最后一层的点预测层修改为预测区间层，得到所述次级网络；

所述初级网络的损失函数为连续函数，次级网络的损失函数为非连续函数。

4.根据权利要求3所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤S2中，LUBE模型的训练方法为：A1、将预处理后的原始数据信号构建的数据集按照设定比例划分为训练集和测试集；

A2、将训练集中的数据输入至初级网络中，对其进行训练，得到完成训练的初级网络权值参数；

A3、将初级网络中训练好的网络权值参数导入至次级网络中，完成次级网络的权值参数设置；

A4、在完成次级网络权重参数设置的基础上，将次级网络中的最后一层的点预测层修改为预测区间层，并设置其输出结果为置信区间，得到次级网络；

A5、通过PSO算法对次级网络的最后一级网络权值参数进行优化，进而得到训练好的LUBE模型。

5.根据权利要求4所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤A2中，对初级网络进行训练的方法具体为：B1、将初级网络的输出表示为 并确定初级网络的损失函数MSE为：式中，yi为高速列车构架的横向加速度信号在时间序列上的真实峰值，*表示初级网络相关参数，^表示网络的输出值， 为初级网络输出的高速列车构架的横向加速度信号在时间序列上的预测峰值，下标i表示第i个峰值的真实值或点预测值，N为点预测的输出总数；

B2、基于初级网络的损失函数，通过BP算法对初级网络进行训练，直到初级网络收敛，*

得到初级网络权值参数矩阵A。

6.根据权利要求5所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤A5中，对次级网络的最后一级网络权值参数进行优化的方法具体为：*

C1、将初级网络权值参数矩阵A 作为次级网络权值参数矩阵A的初始值A0，即得到LUBE模型的网络权值参数矩阵初始值A0，记为：式中： 为LUBE模型的权重参数；

C2、冻结权值参数矩阵初始值A0中对应的初级网络中除最后一层的所有网络权值参数，将冻结的网络权值参数记作w：C3、基于冻结的网络权值参数w，将LUBE模型的初始网络权值参数矩阵A0表示为：C4、基于初始网络权值参数矩阵 得到次级网络的输出 的表达式；

式中：xk为高速列车构架的横向加速度信号在时间序列上的第k个输入数据点的值，k取

1～M，M表示输入点的总数， 为次级网络对xk在时间序列上的峰值的预测区间值；

C5、基于次级网络的输出 通过测试集对LUBE模型进行参数寻优，得到训练好的LUBE模型；

训练好的LUBE模型的权值网络参数矩阵A的表达式为：A＝[w,an]

式中：an为通过次级网络寻优得到的LUBE模型第n层的网络权值参数。

7.根据权利要求6所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤A5中，在通过PSO算法对次级网络进行优化时，定义次级网络输出的估计区间的覆盖率，即置信度PICP为：

式中：N为输入到初级网络中的数据数量，δi为二值函数；

式中：L(xk)和U(xk)分别为LUBE模型预测的上限区间和下限区间；

每个输出的估计区间的平均宽度MPIW为：对平均宽度MPIW进行规范化得到的标准宽度PINAW为：式中：R为每个估计区间对应的高速列车运动状态的标准值，取MPIW的最大值；

所述次级网络训练时的损失函数CWCL为：CWCL＝Loss×CWC

‑η(PICP‑μ)

式中，CWC为区间覆盖宽度，且CWC＝PINAW(1+γ(PICP)e )，Loss为上下区间误差， 其中，γ(PICP)为布尔函数，η为超参数，取值范围为10～50；

其中，γ(PICP)为布尔函数为：式中：μ为布尔函数参数，且取μ＝0.9。

8.根据权利要求1所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤S3具体为：

S31、将高速列车实时运行数据中小幅蛇行数据输入到训练好的LUBE模型中，输出当前运行状态对应的估计区间及其置信度；

S32、基于运行状态的区间估计及其置信度，对小幅蛇行演变趋势进行区间预测，进而得到区间预测结果；

其中，运行状态包括正常、小幅蛇行、大幅蛇行。