1.一种基于机器学习的ctcs3故障诊断方法，其特征在于，包括如下步骤：
1)从ctcs3接口监测系统获取铁路无线通信网络的pri接口、abis接口和a接口的数据，并对所述数据进行预处理；
2)对预处理后的数据进行异常事件的特征提取；
3)重复步骤1)～步骤2)得到设定时间段内所有超时事件的特征和事件原因标签构成数据集；
4)采用机器学习的不同算法在数据集上进行训练和验证，得到故障诊断模型；
5)对新发生的超时事件重复步骤1)～步骤2)得到该事件的特征，将所述特征输入步骤4)中得到的故障诊断模型进行故障分类，得到判别结果；
6)若没有人工对步骤5)中的判别结果进行干预，则结束；若有人工对步骤5)中的判别结果进行确认，或是修改步骤5)的判断结果为其他故障原因，则将人工干预结果和步骤2)提取的该事件的特征作为事件原因标签一起加入步骤3)得到的数据集中，并按设定的周期返回步骤4)，更新故障诊断模型，继续循环。
2.根据权利要求1所述的一种基于机器学习的ctcs3故障诊断方法，其特征在于，步骤1)所述的预处理包括：
(1)针对ctcs3接口监测系统中发生的列车超时事件，截取故障发生时间附近时段的接口数据；
(2)对截取数据进行数据库加载、异常公里标的修正、缺失机车号/电台号的补充的处理。
3.根据权利要求2所述的一种基于机器学习的ctcs3故障诊断方法，其特征在于，第(2)步所述的数据库加载，是将数据导入建立的数据库中，所述的异常公里标的修正是根据准确的公里标数据点和列车运行速度修正公里标中的不准确数据点。
4.根据权利要求1所述的一种基于机器学习的ctcs3故障诊断方法，其特征在于，步骤2)所述的特征提取，是对预处理后的数据提取一组反应当前数据的特性的值，并分为四大部分：信令特征，是从pri接口、abis接口和a接口中的信令数据中提取的特征；呼叫特征，是从pri接口、abis接口和a接口中的呼叫数据中提取的特征；测量报告特征，是从abis接口测量报告数据中提取的特征；切换特征，是从abis接口和a接口的切换记录数据中提取的特征；一个超时事件共具有八十维具体特征。
5.根据权利要求1所述的一种基于机器学习的ctcs3故障诊断方法，其特征在于，步骤4)是将得到的多个事件的特征和事件的故障原因标签一一对应组成数据集，取数据集中的一部分作为训练集，采用机器学习的决策树算法、随机森林算法和神经网络算法分别在训练集上进行训练对应得到三种分类模型，再将数据集中的另一部作为验证集对训练得到三种分类模型分别进行分类测试，根据分类测试结果，选出分类准确率最高的一种分类模型，用于对步骤1)中所截取的数据进行故障分类，得到分类结果。