1.一种基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，包括以下步骤：步骤A，采集M种不同剩余寿命的车载空调运行时的车厢内空气质量数据作为建模样本数据；其中，各建模样本数据对应的车载空调的剩余寿命已知；

步骤B，将建模样本数据进行特征可视化，获得不同剩余寿命的车载空调对应的模板图片；

步骤C，利用各模板图片建立车载空调剩余寿命模板数据库，其中，各模板图片以车载空调的剩余寿命作为分类依据在所述车载空调剩余寿命模板数据库中分类存储；

步骤D，基于暹罗深度神经网络模型，建立车载空调剩余寿命预测模型；

步骤E，采集待检测车载空调运行时的车厢内空气质量数据作为检测样本数据；

步骤F，将检测样本数据进行特征可视化，获得待检测车载空调对应的实测图片；

步骤G，从车载空调剩余寿命模板数据库中的每一个类别的模板图片中，随机挑选N1张模板图片，共挑选出M×N1张模板图片；

步骤H，遍历所有挑选出的模板图片，以实测图片和单张挑选出的模板图片作为车载空调剩余寿命预测模型的输入图片，获得待检测车载空调在每个类别的判定结果，其中判定结果包括实测图片与模板图片是否为同类图片以及对应的置信率；

步骤I，选取有效识别类别中判定结果为同类且置信率最高的类别对应的剩余寿命，为待检测车载空调的剩余寿命；其中，有效识别类别是指识别结果为同类图片的数量大于或等于N2的类别，N2＜N1。

2.如权利要求1所述的基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，所述步骤B或步骤F中的特征可视化方法包括：步骤101，对各样本数据进行规范化处理，使得各样本数据的值域为[0,255]；

步骤102，针对各车载空调，获得m×n×k的三维矩阵；其中，m表示各样本数据中空气污染物的数量，n表示各样本数据中各采样时间段中各空气污染物的采样数量，k表示各样本数据对应的采样时间段的数量；

步骤103，将各三维矩阵中的每个数据值作为RGB图像的灰度值，获得车载空调剩余寿命特征图片；

其中，步骤101中的样本数据为建模样本数据或检测样本数据，步骤103中的车载空调剩余寿命特征图片对应为模板图片或实测图片。

3.如权利要求1或2所述的基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，所述步骤D包括：步骤D1，构建暹罗深度神经网络模型；

步骤D2，利用迁移学习方法对步骤D1构建的暹罗深度神经网络模型进行预训练；

步骤D3，利用车载空调剩余寿命模板数据库中的模板图片对预训练后的暹罗深度神经网络模型进行二次训练，获得车载空调剩余寿命预测模型。

4.如权利要求3所述的基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，所述步骤D2中，利用CIFAR-10作为迁移学习方法的图片数据集。

5.如权利要求1所述的基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，所述步骤A或步骤E中，采集样本数据时，剔除采样不完全的数据并继续采集同等数量的正常样本数据对样本数据总量进行补全。

6.如权利要求1所述的基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，所述步骤A或步骤E中，采集样本数据时，剔除异常数据并继续采集同等数量的正常样本数据对样本数据总量进行补全。

7.如权利要求6所述的基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，依据拉依达准则剔除异常数据。

8.如权利要求2所述的基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，各样本数据中包括PM2.5、PM10、SO2、NO2、O3、CO、H2S、NH3共8种空气污染物，各样本数据中各采样时间段中各空气污染物的采样数量为8个，各样本数据对应的采样时间段的数量为3。

9.如权利要求1所述的基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，所述暹罗深度神经网络模型包括两个孪生的三层深度卷积网络、一个由全连接层和LSTM层组成的决策网络。

10.如权利要求9所述的基于空气质量数据图谱的列车车载空调剩余寿命预测方法，其特征在于，所述暹罗深度神经网络模型中相邻的两层卷积层间设有Relu层。