1.一种高速列车蛇行状态识别与峰值预测方法，其特征在于，包括以下步骤：S1、采集高速列车构架的横向加速度信号构成源域数据集和目标域数据集；

S2、对源域数据集进行源域选择，筛选参与训练的源域时域信号；

S3、构建状态识别与峰值预测网络，并利用所述源域时域信号和目标域时域信号对其训练；

S4、将待识别的横向加速度信号序列输入至训练好的状态识别与峰值预测网络中，获得当前高速列车状态识别结果及其对应的峰值预测结果；

其中，所述状态识别与峰值预测网络包括并列的域内迁移模型和域间迁移模型；所述域内迁移模型的输入信号包括源域时域信号，以及源域时域信号及其频域信息的组合信息，用于确定域内不变特征；所述域间迁移模型的输入信号包括源域时域信号和目标域时域信号，用于确定域间不变特征。

2.根据权利要求1所述的高速列车蛇行状态识别与峰值预测方法，其特征在于，所述步骤S2具体为：S21、设置参数，包括阈值r，聚类簇数c，以及内聚度缩小步长 ；

S22、在每个源域数据子集中随机挑选k个样本 作为初始均值向量；其中，下标k为样本序数；

其中，源域数据集 中包含n个源域数据子集 、 … ，样本与横向加速度信号对应；

S23、依次计算样本到特征 与当前各均值向量 的距离 ；其中，j为特征序数， ，i为均值向量序数，其与聚类簇的计数值对应，即 ；

S24、根据最小距离对应的均值向量确定特征 的簇标记，将其划入对应的聚类簇中；

S25、计算各聚类簇中的当前均值向量；

S26、重复步骤S23 S25，直到当前均值向量与上一次迭代时的均值向量相同，得到包含~c个聚类簇的样本聚类结果；

S27、计算各聚类簇内的最大样本内聚度 ；

S28、根据内聚度缩小步长 调整最大样本内聚度 ，并删除内聚度大于调整后的内聚度的样本，直到各聚类簇内准确度大于阈值r，将各簇内剩余样本组成筛选出的源域时域信号。

3.根据权利要求1所述的高速列车蛇行状态识别与峰值预测方法，其特征在于，所述步骤S3中，在所述状态识别与峰值预测网络中，所述域内迁移模型包括并列的第一编码器和第二编码器，所述第一编码器通过第一全连接层分别与第一分类器和第一峰值预测器连接，所述第二编码器通过第二全连接层分别与第二分类器和第二峰值预测器连接；

所述第一编码器的输入信号为源域时域信号，所述第一分类器的输出信号为源域时域信号对应的状态识别结果，所述第一峰值预测器的输出信号为识别状态的对应峰值预测结果；

所述第二编码器的输入信号为源域时域信号及其频域信息的组合信息，所述第二分类器的输出信号为组合信息对应的状态识别结果，第二峰值预测器的输出信号为识别状态对应的峰值预测结果。

4.根据权利要求3所述的高速列车蛇行状态识别与峰值预测方法，其特征在于，在所述域内迁移模型中，采用域内适配器 评估确定的域内不变特征的准确性，其表达式为：式中， 和 分别表示第一编码器与第二编码器所输出的第 个特征值，下标j为特征序数，J为特征总数。

5.根据权利要求3所述的高速列车蛇行状态识别与峰值预测方法，其特征在于，所述步骤S3中，在所述状态识别与峰值预测网络中，所述域间迁移模型与所述域内迁移模型共用第一编码器、第一全连接层、第一分类器和第一峰值预测器，所述域间迁移模型包括与第一编码器结构相同的第三编码器，所述第三编码器通过第三全连接层分别与第三分类器和第三峰值预测器连接；

所述第三编码器的输入信号为目标域时域信号，所述第三分类器的输出信号为目标域时域信号的状态识别结果，所述第三峰值预测器的输出信号的识别状态的峰值预测结果，所述第三分类器和第三峰值预测器的输出结果作为所述状态识别与峰值预测网络的高速列车状态识别结果及其对应的峰值预测结果。

6.根据权利要求5所述的高速列车蛇行状态识别与峰值预测方法，其特征在于，在所述域间迁移模型中，采用MMD距离衡量源域与目标域的时域信号差异，其表达式为：式中， 为源域与目标域的时域信号的MMD距离， 为第p个源域数据的特征， 为第q个源域数据的特征， 为第p个目标域数据的特征， 为第q个目标域数据的特征， 为用于衡量差异的源域中的样本个数， 为目标域中的样本个数， 为高斯径向基函数。

7.根据权利要求5所述的高速列车蛇行状态识别与峰值预测方法，其特征在于，所述第一分类器和第二分类器的损失函数 均为：式中， 为第l个输入数据的识别类别，y为真实类别， 为分类器中输出向量的第个元素，其与真实类别对应， 为分类器中输出向量的第 个元素，L为输入数据总数，M为真实类别的总数；

所述第一峰值预测器和第二峰值预测器的损失函数 均为：

式中， 和 分别表示横向加速度信号未来的第h个峰值与其预测值，H为峰值与其预测值总数。

8.根据权利要求7所述的高速列车蛇行状态识别与峰值预测方法，其特征在于，所述步骤S3中，所述状态识别与峰值预测网络的损失函数 为：式中， 为第一分类器和第二分类器对应的损失之和， 为第一峰值预测器和第二峰值预测器对应的损失之和， 、 和 分别为 、 和 对应的权重超参数。

9.根据权利要求8所述的高速列车蛇行状态识别与峰值预测方法，其特征在于，在所述状态识别与峰值预测网络的训练过程中，权重超参数 、 和 的计算公式为：式中，为当前训练批次， 为上一次训练批次； 、 、 三者分别为关于训练批次的权重超参数 、 和 的函数； 、 、 三者表示一种关于训练批次的损失权重函数，其表达式分别为：

式中， 、 和 分别为上一批次训练中的损失 、 和 的值；

、 和 为上一批次的上一批次训练中的损失 、 和 的值。