1.一种列车控制模型的训练方法，其特征在于，包括：
采集列车以最高运行效率运行的历史运行数据；
基于所述历史运行数据，利用机器学习回归算法，建立列车运行仿真模型，其中，所述列车运行仿真模型的输入包括所述列车在多个连续的控制周期分别对应的级位所组成的级位序列，所述列车运行仿真模型的输出包括所述列车在所述多个连续的控制周期中运行的运行参数；
基于初始序列，生成多个修正序列，其中，所述多个修正序列互不相同，且所述修正序列是将所述初始序列中的至少一个牵引级位修正为惰行级位后得到；所述初始序列为列车在多个连续的控制周期中以最高运行效率运行的情况下分别对应的级位所组成的级位序列；
将所述多个修正序列分别输入所述列车运行仿真模型，得到所述多个修正序列分别对应的运行参数；
基于所述多个修正序列分别对应的运行参数，得到所述多个修正序列中的目标修正序列；
基于所述多个修正序列中的目标修正序列，训练得到列车控制模型；
其中，所述运行参数包括以下一项或多项：
总运行时长、总能耗、各控制周期对应的速度、各控制周期对应的位置。
2.根据权利要求1所述的列车控制模型的训练方法，其特征在于，所述基于所述历史运行数据，利用机器学习回归算法，建立列车运行仿真模型，包括：
将所述历史运行数据作为输入，采用梯度下降法求解速度级位子模型、位置速度子模型和能耗级位速度子模型的参数，构建所述列车运行仿真模型；
其中，所述速度级位子模型表示为： 所述速度
级位子模型的输入包括上一控制周期对应的仿真瞬时速度 和从m个控制周期之前开始到当前控制周期为止的控制周期分别对应的级位所组成的级位序列 所述速度级位子模型的输出为当前控制周期对应的仿真瞬时速度 所述速度级位子模型的模型参数为a‑m,...,a‑1,a0,b，ttick表示一个控制周期的时长；
所述位置速度子模型表示为：
其中，所述位置速度子模型的输入包括上一控制周期对应的仿真瞬时位置 从m个控制周期之前开始到当前控制周期为止的控制周期分别对应的速度所组成的速度序列和从m个控制周期之前开始到当前控制周期为止的控制周期分别对应的
级位所组成的级位序列 所述位置速度子模型的输出为当前控制周期对应的仿真瞬时位置 所述位置速度子模型的模型参数为c‑m,...,c‑1,c0,d‑m,...,d‑1,d0,e，ttiak表示一个控制周期的时长；
所述能耗级位速度子模型表示为：
其中，所述能耗级位速度子模型的输入包括当前控制周期对应的速度 当前控制周期对应的级位 所述能耗级位速度子模型的输出为当前控制周期对应的能耗 所述能耗级位速度子模型的模型参数为f1,f2,f3,g0,g1,g2,h0,h1,h2。
3.根据权利要求1所述的列车控制模型的训练方法，其特征在于，所述基于所述多个修正序列分别对应的运行参数，得到所述多个修正序列中的目标修正序列，包括：
基于所述多个修正序列分别对应的运行参数，从所述多个修正序列中剔除满足第一条件的修正序列；
基于剩余的修正序列的总能耗，从剩余的修正序列中剔除总能耗异常的修正序列，得到目标修正序列；
所述第一条件包括以下至少一项：
所述修正序列对应的总运行时长超过预设运行时长阈值；
在所述修正序列对应的多个连续的控制周期中，存在至少一个控制周期对应的速度低于预设速度阈值。
4.根据权利要求1所述的列车控制模型的训练方法，其特征在于，所述基于剩余的修正序列的总能耗，从剩余的修正序列中剔除总能耗异常的修正序列，得到目标修正序列，包括：
基于剩余的修正序列分别对应的运行时间，对所述剩余的修正序列进行从大到小排序，得到第一顺序的修正序列；
基于第一顺序的修正序列分别对应的能耗的排列顺序，确定能耗异常的修正序列；
从所述剩余的修正序列中剔除总能耗异常的修正序列，得到目标修正序列。
5.根据权利要求1所述的列车控制模型的训练方法，其特征在于，所述基于所述多个修正序列中的目标修正序列，训练得到列车控制模型，包括：
以所述目标修正序列中对应牵引级位的控制周期的相关参数为训练样本，是否从牵引级位修正为惰性级位为标签，训练得到列车控制模型；
其中，所述控制周期的相关参数包括以下至少一项：剩余运行时间、剩余距离、前方N个坡度段的坡度、前方N个坡度段的长度、当前目标限速、当前顶棚限速、制动减速度、牵引加速度、容忍冲击率，N为大于2的整数。
6.一种列车控制方法，其特征在于，包括：
获取列车实时的相关参数；
将所述列车实时的相关参数输入至列车控制模型，得到所述列车控制模型输出的目标级位；
基于所述目标级位，控制所述列车运行；
其中，所述列车控制模型的训练方法包括：
采集列车以最高运行效率运行的历史运行数据；
基于所述历史运行数据，利用机器学习回归算法，建立列车运行仿真模型，其中，所述列车运行仿真模型的输入包括所述列车在多个连续的控制周期分别对应的级位所组成的级位序列，所述列车运行仿真模型的输出包括所述列车在所述多个连续的控制周期中运行的运行参数；
基于初始序列，生成多个修正序列，其中，所述多个修正序列互不相同，且所述修正序列是将所述初始序列中的至少一个牵引级位修正为惰行级位后得到；所述初始序列为列车在多个连续的控制周期中以最高运行效率运行的情况下分别对应的级位所组成的级位序列；
将所述多个修正序列分别输入所述列车运行仿真模型，得到所述多个修正序列分别对应的运行参数；
基于所述多个修正序列分别对应的运行参数，得到所述多个修正序列中的目标修正序列；
基于所述多个修正序列中的目标修正序列，训练得到列车控制模型；
其中，所述运行参数包括以下一项或多项：
总运行时长、总能耗、各控制周期对应的速度、各控制周期对应的位置。
7.一种列车控制模型的训练装置，其特征在于，包括：
采集模块，用于采集列车以最高运行效率运行的历史运行数据；
模型建立模块，用于基于所述历史运行数据，利用机器学习回归算法，建立列车运行仿真模型，其中，所述列车运行仿真模型的输入包括所述列车在多个连续的控制周期分别对应的级位所组成的级位序列，所述列车运行仿真模型的输出包括所述列车在所述多个连续的控制周期中运行的运行参数；
序列生成模块，用于基于初始序列，生成多个修正序列，其中，所述多个修正序列互不相同，且所述修正序列是将所述初始序列中的至少一个牵引级位修正为惰行级位后得到；
所述初始序列为列车在多个连续的控制周期中以最高运行效率运行的情况下分别对应的级位所组成的级位序列；
参数获取模块，用于将所述多个修正序列分别输入所述列车运行仿真模型，得到所述多个修正序列分别对应的运行参数；
目标修正序列获取模块，用于基于所述多个修正序列分别对应的运行参数，得到所述多个修正序列中的目标修正序列；
训练模块，用于基于所述多个修正序列中的目标修正序列，训练得到列车控制模型；
其中，所述运行参数包括以下一项或多项：
总运行时长、总能耗、各控制周期对应的速度、各控制周期对应的位置。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的列车控制模型的训练方法，或实现如权利要求6所述的列车控制方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的列车控制模型的训练方法，或实现如权利要求6所述的列车控制方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的列车控制模型的训练方法，或实现如权利要求6所述的列车控制方法。