1.一种数据驱动的轨道交通列车速度预测控制方法，其特征在于，包括以下步骤：S1、数据收集与预处理；

采集列车自动驾驶系统实际输出的包括但不限于速度信息和牵引制动力对应的指令百分比数据，并进行数据预处理和归一化处理，清洗数据、去除噪声和冗余信息，获取全面表征列车非线性动力学信息的数据集；

S2、建立列车的高维线性动力学模型；

选择列车速度作为列车的状态量，利用深度神经网络从数据集中学习动态系统的特征，并将所述特征作为扩展动力学模式分解方法的输入，用于训练列车的Koopman算子模型，使用从数据集中获得的列车运行数据，训练Koopman算子模型，通过训练Koopman算子模型，得到列车的高维线性动力学模型；

S3、对列车的高维线性动力学模型进行模型选择和参数调优，建立列车高维全局线性化模型；

S4、设计基于列车高维全局线性化模型的速度追踪模型预测控制器，基于列车高维全局线性化模型和高维线性扩展动力学模式分解空间中的状态变量来进行不断地滚动优化，学习得到列车系统当前时刻的近似最优预测控制序列，根据当前时刻的近似最优预测控制序列得到列车的实际控制律；

S5、将当前时刻的实际控制律应用于列车系统以更新列车，得到列车下一时刻的状态量，然后对所述状态量进行映射处理以将所述状态量更新至高维线性空间中的状态变量后重复步骤S4‑S5。

2.根据权利要求1所述的数据驱动的轨道交通列车速度预测控制方法，其特征在于，在步骤S2中，列车高维线性动力学模型为： ，其中，是状态转移矩阵， 是控制输入矩阵， 是由权重 参数化的编码器， 是由权重 参数化的解码器， 是 的估计值， 表示列车第 时刻的状态， 表示列车第 时刻的控制输入， 表示列车在 时刻的状态。

3.根据权利要求2所述的数据驱动的轨道交通列车速度预测控制方法，其特征在于，在步骤S4中，速度追踪模型预测控制器展示了利用列车高维全局线性化模型实现地铁列车速度跟踪的方法，首先，通过将输入视为扩展状态来获得扩展学习的模型，，其中， 表示当前和前一个控制输入之间的差异，其中， ， 且 ，其中 根据

在任何时间进行初始化， 和 分别表示 阶的单元矩阵和零矩阵， 表示控制输入的维度，表示高维空间的维度；

速度追踪模型预测控制器的目标是根据目标速度的动态变化在每个时间步计算最优控制序列，从而实现最佳的列车性能，目标速度表示为 ，通过使用提升观测函数来推导目标速度实现；

为保证有效的跟踪性能，原始状态 被视为扩展状态空间中的一个具体对象，因此，对于给定时间 的优化任务表达如下：，

， ，其中， 表示优化函

数， 表示第 时刻的实际速度， 表示第 时刻的目标速度，表示预测的时域长度， 表示控制的时域长度， 和 用于惩罚跟踪误差和控制输入变化，其中 是松弛变量 的惩罚参数，此外， 表示所有元素都为1的向量，将 设置为大于或等于 ，并假设对于所有时间步 ，当 时，控制增量  = 0，此外， 、 、 和 分别表示控制输入及控制增量的最小和最大边界；

定义矩阵 ， ，其中，

，

，

， ， ， ， 表

示预测步长， 、、 和 是用于求解优化函数的中间变量， 表示高维的改进后的优化函数；

因此，对于给定时间 的优化任务转化为：

（1），

， ， ，给定

， ， 以及

，此处， 表示用于控制 矩阵稀疏的矩阵， 表示序列， ，

；在时间 ，向量

表示公式（1）的最优解，系统应用的控制是，松弛变量 表示允许的误差阈值， 表示构造对角矩阵， 表示最优控制量。