1.一种无人驾驶列车能耗预测方法，其特征在于，包括以下步骤：

1)采集无人驾驶列车运行数据、列车车内及车站乘客数据、列车车外环境数据；所述无人驾驶列车运行数据包括列车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶距离、道路坡度损耗功率；所述列车车内及车站乘客数据包括乘客流量，乘坐舒适性评价指数，托运行李重量，车内上座率；所述列车车外环境数据包括指定时间间隔内的降雨阻力、道路积水阻力，风阻能耗，积雪能耗，温度能耗；

2)将所述无人驾驶列车运行数据作为DBN深度置信神经网络的输入，训练所述DBN深度置信神经网络，获得无人驾驶列车车辆行驶能耗控制预测模型；将所述列车车内及车站乘客数据作为BILSTM深度神经网络的输入，训练所述BILSTM深度神经网络，获得无人驾驶列车客流能耗预测模型；将所述列车车外环境数据作为GRU深度神经网络的输入，训练所述GRU深度神经网络，获得无人驾驶列车环境能耗预测模型；

3)融合所述无人驾驶列车车辆行驶能耗控制预测模型、无人驾驶列车客流能耗预测模型和无人驾驶列车环境能耗预测模型，得到能耗预测模型；

优选地，还包括：

4)将实时采集的无人驾驶列车运行数据、列车车内及车站乘客数据、列车车外环境数据输入所述能耗预测模型，预测列车能耗；

步骤2)中，所述无人驾驶列车车辆行驶能耗控制预测模型的具体训练过程包括：以所述无人驾驶列车运行数据中的列车稳定行驶能耗值，爬坡能耗值与下坡能耗值，道路坡度损耗功率以及行驶距离为DBN深度置信神经网络的输入，间隔时间T后的车辆行驶能耗为DBN深度置信神经网络的输出，利用灰狼优化算法寻找所述DBN深度置信神经网络的最佳权值和阈值，该最佳权值和阈值对应的DBN深度置信神经网络即为无人驾驶列车车辆行驶能耗控制预测模型；

利用灰狼优化算法寻找所述DBN深度置信神经网络的最佳权值和阈值的具体实现过程包括：

A1、在解空间内随机摆放狼群中每个灰狼的位置，设灰狼的种群数量为m,车辆行驶能耗原始数据集的特征数量为d，狼群的位置矩阵为一个m×d维的二进制矩阵，设其中第i个灰狼的位置为CGi＝(CGi1,CGi2,...CGid)，CGi1,CGi2,...CGid为狼群中各灰狼每一维度的编码；根据灰狼个体中的位置信息对DBN深度置信神经网络的输入数据集进行处理，得到新的数据集，并计算评价每个灰狼个体的适应度值fitness，以个体灰狼经过最大迭代次数itermax次迭代得到的所处的位置作为局部最优解，所述局部最优解即DBN神经网络的权值和阈值；

A2、根据适应度值从大到小依次找到并记录alpha狼、beta狼、delta狼的位置Xα、Xβ、Xδ；

A3、扰动所述alpha狼、beta狼、delta狼的位置，并将扰动后的alpha狼、beta狼、delta狼的位置与alpha狼、beta狼、delta狼的原位置进行对比，保留更接近最优解的位置；

A4、对狼群中的每个灰狼个体，使用灰狼算法计算alpha狼、beta狼、delta狼的位置，利用下式得到更新后的更接近最优解的灰狼个体的位置：其中， 表示在第t+1次迭代的过程中，第i个灰狼个体的第d维的位置取值，Xα、Xβ、Xδ分别是alpha狼、beta狼、delta狼的位置，random为[0,1]之间的随机数；

A5、根据预先设定的概率值Pa对灰狼种群的位置进行随机更新计算更新后的灰狼被猎物发现的概率r，若r>Pa，则灰狼被猎物发现，更新灰狼个体的位置；根据fitness评价更新后的位置与原始位置的好坏，保留更接近最优解的位置；否则，直接进入步骤A6；

A6、判断迭代次数是否达到最大迭代次数，如果是则停止迭代，输出根据alpha狼位置和其适应度值fitness得到的全局最优值；否则，返回步骤A2，直到找到全局最优值；所述全局最优值即所述DBN深度置信神经网络的最佳权值和阈值；

步骤2)中，所述无人驾驶列车环境能耗预测模型的获取过程包括：以所述列车车外环境数据中的无人驾驶列车运行期间降雨阻力能耗、道路积水阻力能耗，风阻能耗，积水能耗数据为GRU深度神经网络的输入，间隔时间T后的列车环境能耗值为GRU深度神经网络的输出，利用混合粒子群算法和万有引力搜索算法寻找所述GRU深度神经网络的最佳权值和阈值，该最佳权值和阈值对应的GRU深度神经网络即为无人驾驶列车客流能耗预测模型；

利用混合粒子群算法和万有引力搜索算法寻找所述GRU深度神经网络的最佳权值和阈值的具体实现过程包括：C1、初始化PSOGSA引力搜索算法与粒子群算法的输入参数；

C2、将粒子个体的位置向量作为所述GRU深度神经网络的权值和阈值,将每个粒子的个体极值设置为当前位置，将预测值和实际值的均方差MSE的倒数作为适应度函数，利用适应度函数计算每个粒子的适应度值，取适应度值最高的粒子对应的个体极值作为最初的全局极值；依次将粒子个体位置向量对应的参数值代入基于GRU深度网络的无人驾驶列车环境能耗预测模型中进行迭代；

C3、按照C2设定的适应度函数，计算每次迭代后每个粒子的适应度值；

C4、比较单个粒子的适应度值与其个体极值的适应度值，如果单个粒子的适应度值更优，则更新个体极值，否则保留原值；

C5、更新引力系数和粒子的惯性质量，基于每个粒子的适应度值计算速度和加速度来更新每个粒子位置；

C6、利用GSA优化算法计算出粒子位置和适应度的全局最优值；

C7、判断是否满足终止条件，若满足则退出，否则，转入步骤C3，直到找到全局最优值，所述全局最优值即所述GRU深度神经网络的最佳权值和阈值。

2.根据权利要求1所述的无人驾驶列车能耗预测方法，其特征在于，步骤2)中，无人驾驶列车客流能耗预测模型的获取过程包括：以所述列车车内及车站乘客数据中的乘客流量，乘坐舒适性评价指数，托运行李重量，车内上座率为BILSTM深度神经网络的输入，间隔时间T后的客流能耗值为BILSTM深度神经网络的输出，利用量子粒子群算法寻找所述BILSTM深度神经网络的最佳权值和阈值，该最佳权值和阈值对应的BILSTM深度神经网络即为无人驾驶列车客流能耗预测模型。

3.根据权利要求2所述的无人驾驶列车能耗预测方法，其特征在于，利用量子粒子群算法寻找所述BILSTM深度神经网络的最佳权值和阈值的具体实现过程包括：B1、以量子粒子群中每个量子粒子个体的位置向量作为所述BILSTM深度神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[‑1,1]的随机数；初始化量子粒子群算法的输入参数；

B2、设定适应度函数，将预测值和实际值的均方差MSE的倒数作为适应度函数，确定初始最优量子粒子个体位置向量和迭代次数；将量子粒子个体位置向量对应的权值和阈值代入基于BILSTM深度网络的无人驾驶列车客流能耗预测模型中，并利用量子粒子个体位置向量确定的基于BILSTM深度网络的无人驾驶列车客流能耗预测模型确定识别向量标签的种类，利用量子粒子个体位置确定列车车内及车站乘客数据中的乘客流量、乘坐舒适性评价指数、托运行李重量、车内上座率的权重计算结果并由此计算得出客流能耗之和；

B3、若量子粒子群群体适应度方差小于早熟收敛判断阈值，则对量子粒子群中的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体，即种群的极值；

B4、当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤B6，否则转入步骤B6；

B5、各粒子群粒子通过对比个体极值和全局极值来更新位置参数，即重新计算并比较每个粒子的适应度值，如果适应度值优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，迭代次数加1，转入步骤B3；所述全局极值粒子为包括精英种群在内的所有粒子个体中进化得到的极值；

B6、重复步骤B3～B5，判断是否满足最大迭代次数，若满足则结束，否则，将迭代次数加

1，转入步骤B3，直到找到全局最优值，所述全局最优值即BILSTM深度神经网络的最佳权值和阈值。

4.根据权利要求1～3之一所述的无人驾驶列车能耗预测方法，其特征在于，步骤3)中，能耗预测模型 的表达式为：其中， 分别为无人驾驶列车

车辆行驶能耗控制预测模型的预测结果、无人驾驶列车客流能耗预测模型的预测结果、无人驾驶列车环境能耗预测模型的预测结果；w1、w2、w3为权重系数。

5.一种无人驾驶列车能耗预测系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～3之一所述方法的步骤。

6.一种计算机存储介质，其特征在于，其存储有程序；所述程序被配置或编程为用于执行权利要求1～3之一所述方法的步骤。