1.一种铁路冻土区路基形变检测与预测系统，其特征在于：包括第一温度传感器、水分传感器、压力传感器、信号处理箱，分别采用多个第一温度传感器、水分传感器、压力传感器安装在轨道下方，信号处理箱安装在路肩上，第一温度传感器、水分传感器、压力传感器与信号处理箱连接，分别检测路基的地温、土壤含水量、冻土形变量，并将检测到的信息传输给信号处理箱进行处理，并将处理后的信息通过无线端发送至铁路有关管理部门，当铁路多年冻土区路基某一路段的冻土变化量超出预设值时，通知相关工作人员前往现场确认，并对变形的路基段的轨道进行校正。

2.根据权利要求1所述的铁路冻土区路基形变检测与预测系统，其特征在于：所述的信号处理箱包括防水铝盒、太阳能电池板、控制电路板、模拟量数据采集器、GPRS模块、北斗定位模块、蓄电池、太阳能控制器，太阳能电池板安装在防水铝盒上表面，用于将太阳能转换为电能为控制电路板、模拟量数据采集器、GPRS模块、北斗定位模块供电，太阳能控制器连接在太阳能电池板与蓄电池之间，白天时，由太阳能控制器将太阳能电池板转换的电能分配给控制电路板、模拟量数据采集器、GPRS模块、北斗定位模块供电，并为蓄电池充电，夜间时，太阳能控制器便控制蓄电池为控制电路板、模拟量数据采集器、GPRS模块、北斗定位模块供电，控制电路板通过RS485线与模拟量数据采集器连接在一起，模拟量数据采集器对第一温度传感器、水分传感器、压力传感器采集到的模拟量转换为对应的数字信息后，通过RS485通信方式传输给控制电路板，北斗定位模块用于定位信号处理箱所在的位置，由控制电路板控制GPRS模块将信号处理箱所在的位置信息和该处第一温度传感器、水分传感器、压力传感器采集到的信息发送到铁路有关部门，在铁路有关部门的PC端对这些数据进行预测分析。

3.根据权利要求2所述的铁路冻土区路基形变检测与预测系统，其特征在于：所述的防水铝盒内壁顶部设有电热丝、第二温度传感器，右侧设有通风门、步进电机、电机驱动板，电热丝用于为防水铝盒加热，电机驱动板连接在控制电路板与步进电机之间，第二温度传感器与模拟量数据采集器连接，用于采集防水铝盒内温度值，并将采集到的信息传输给模拟量数据采集器，模拟量数据采集器再发送给控制电路板进行处理，电热丝、步进电机、电机驱动板均与太阳能控制器连接，通风门的一端与步进电机的旋转轴连接，当防水铝盒内温度过低时，由控制电路板控制电热丝加热，且控制电路板控制电机驱动板带动电机旋转，将通风门关闭，当防水铝盒内温度过高时，控制电路板控制电机驱动板带动电机旋转，打开通风门，使防水铝盒内空气得以流通，进而达到降温的效果。

4.根据权利要求3所述的铁路冻土区路基形变检测与预测系统，其特征在于：所述的控制电路板旁边设有继电器，继电器连接在控制电路板与电热丝之间，由控制电路板控制继电器的通断来控制太阳能电池板或蓄电池为电热丝供电。

5.根据权利要求3所述的铁路冻土区路基形变检测与预测系统，其特征在于：所述的通风门与步进电机的旋转轴之间采用钢条连接，步进电机的旋转轴两端通过轴承固定在防水铝盒右侧，由步进电机带动旋转轴转动，进而拉动钢条转动，通风门在钢条的拉力或推力下实现开门或者关门。

6.根据权利要求1所述的铁路冻土区路基形变检测与预测系统，其特征在于：所述系统对铁路多年冻土区路基形变检测与预测的方法为：

先对整个系统进行初始化，使系统回到最初的工作状态，接着由温度传感器、水分传感器、压力传感器分别检测路基的地温、土壤含水量、冻土形变量，并将检测到的信息传输到铁路相关部门的PC机上，在PC机上设置相应的上位机来监测各个路段多年冻土的变化，并在上位机上显示相应的地温、土壤含水量、冻土形变量与冻土量之间的变化特性曲线，特性曲线中可以确定多年冻土中水分的含量会随着冻土量的减少而增加，随着地温的增加，多年冻土的冻土量会下降，冻土量减少后，冻土的形变量会增加，根据地温、土壤含水量、冻土形变量等三个因素的变化量来判断多年冻土的含量，以判断出多年冻土的变化信息，记录冻土含量随着时间变化而变化的值，并通过ARIMA时间序列预测模型来预测到了哪个时间点多年冻土的含量会增加或者减少到预设值范围外，并提醒相关工作人员前往确认，并测量该处路基是否发生形变，若发生了形变，工作人员需对该段路基上的轨道进行校正，为列车提供安全的运行条件，调整好后继续对该出的地温、土壤含水量、冻土形变量进行监测，若人工现场勘查后未检测出该段路基发生形变，那么就在上位机中调整冻土含量的阈值。

7.根据权利要求6所述的铁路冻土区路基形变检测与预测系统，其特征在于：所述的ARIMA时间序列预测模型的建立过程为：

(1)模型识别

第一步，判断平稳性，通过时序图和相关系数构建的相关图判断序列的平稳性，对于非平稳序列，用差分或者数据转换的方法，使非平稳数列平稳化；

第二步，白噪声检验，利用Box和Pierce构造的Q统计量和Ljung构造的LB统计量，检验序列的随机性，即白噪声检验；

式中，n是序列的观察数，m是指定的滞后阶数，ρ为延期k的自相关系数，Q和LB两种检验统计量近似服从自由度为m的2分布，此时的序列只有为非白噪声序列，接着建立ARIMA模型；

第三步，初步定阶，根据平稳后序列的自相函数和偏自相函数数为模型定价，初步估计ARIMA模型的p,q,P,Q的值，p,q的选择原则为：p为经统计检验显示有效的偏自相关数目或者是落入随机区间外的偏自相关系数的个数；q为显著不为0的自相关数目；

(2)参数估计

首先，采用AIC准则，即最小信息准则，AIC和SBC一起为模型最后定阶、确定最优模型，其次，利用最小二乘法对模型参数进行检验，并确定最优参数，设因变量Yt与L维向量Xt之间具有下面的函数关系：Yt＝ft(Xt,Θ)+εt         (3)

式中，t＝1,2,3,…,NΘ＝(θ1,θ2,…,θm)t是待估计的参数；εt是误差，ft是已知函数形式，最小二乘法是，从已观察到的N组数据(Xt，Yt)出发，对于未知参数Θ进行估计，使残差平方和达到最小；

Θ＝(θ1,θ2,...,θm)t             (4)

最后，采用x2检验对拟合的ARIMA模型进行显著性检验，即用Q统计量对残差序列再进行一次白噪声推断，m个独立N(0,1)随机变量的平方和服从自由度为m的x2分布；

ARIMA模型定阶和参数都完成后，用统计学的方法评估模型的优劣，评估两方面的内容，一个是参数的显著性检验，另一是建模后残差序列的白噪声检验；

(3)模型预测

模型通过显著性检验后用来预测，预测就是利用已经建好的模型。