1.一种基于转换器模型的铁路纵断面线形重构方法，其特征在于，包括如下步骤：步骤一、获取铁路线路的原始桩点数据并输入划分变坡点区段模型，得到输入改进的转换器模型的桩点数据；步骤二、将步骤一得到的桩点数据输入改进的转换器模型，输出完整的调整后线路，具体包括：步骤2.1、对输入改进的转换器模型的桩点数据进行标准化处理；步骤2.2、对标准化后的桩点数据进行多头注意力机制的处理后输入编码器，用于获取其位置信息，且注意力头数不超过编码器的输入特征维度；步骤2.3、对编码器的前馈神经网络部分添加正则化和归一化后，用于处理计算桩点数据与变坡点数据，得到编码器输出的数据；步骤2.4、将编码器输出的数据输入解码器后输出，解码器中也进行前馈神经网络的正则化和归一化操作；步骤2.5、解码器输出后进入映射层，通过映射层输出变坡点坐标及曲率半径的数据；步骤2.6、遍历每个变坡点数据后连接获得完整的调整后线路。
2.根据权利要求1所述的基于转换器模型的铁路纵断面线形重构方法，其特征在于，所述步骤一包括：步骤1.1、将原始桩点数据输入逻辑回归模型，所述原始桩点数据包括里程数据和高程数据，通过逻辑回归模型判别该原始桩点属于直线测点还是竖曲线测点；步骤1.2、选取靠近变坡点周围的桩点数据作为输入改进的转换器模型的数据，具体是：取相邻竖曲线测点的最中间点位位置，组合得到位置列表 如下： ；其中， n 代表竖曲线测点的数量， 为各相邻竖曲线测点的最中间点位位置；将位置列表中各点位位置映射到线路上对应的原始桩点数据位置，向左右取 长度的桩点数据，作为输入改进的转换器模型的桩点数据； 表示输入模型的数据长度；若 为偶数，左边长度为 ，右边长度为 ；若 为奇数，左边长度为 ，右边长度为 ；如果左右线路的桩点数不够，剩下的输入桩点数用末尾桩点数据替代。
3.根据权利要求2所述的基于转换器模型的铁路纵断面线形重构方法，其特征在于，所述步骤2.1具体是：基于需要输入改进的转换器模型的桩点数据，获取其中桩里程跟既有轨面高程的位置关系，既有轨面高程无需进行位置编码，同时对于多余的零元素不编码；定义如下三个参数：模型隐藏层维度 ； 的序列长度 ，保证该序列长度大于样本桩点数；预先计算的缩放因子 ，其中 ，为纵断面中对维度索引； 的计算式如下： ；其中， 为2，对应里程跟高程，等价于： ，其中 R 代表数据的维度；基于Python编程语言，对每个桩点位置用正弦函数和余弦函数处理后输入一个位置编码矩阵 PE ，表达式如下： ； ； 表示位置编码矩阵 PE 中的第 行的第1列， 表示位置编码矩阵 PE 中的第 行的第2列；将输入改进的转换器模型的桩点数据与位置编码矩阵组合，得到最终的位置编码矩阵如下： 。
4.根据权利要求3所述的基于转换器模型的铁路纵断面线形重构方法，其特征在于，所述步骤2.2具体是：令输入序列为 ；对X进行线性变换，生成查询矩阵Q、键矩阵K和值矩阵V； ；其中， 为可以学习的权重矩阵； 为每个注意力头的键/查询向量维度， ， 为头数；进行多头分割并保证注意力头数 小于 ，将 矩阵按头数分割为多个子矩阵如下： ；每个矩阵的维度为 ；对每个注意力头i，计算注意力权重并加权重向量如下： ；其中， 分别表示第 个头的查询矩阵、键矩阵和值矩阵； 表示查询与键的相似度； 为缩放因子； 表示注意力权重； 表示归一化函数，用于沿键的维度方向归一化为概率分布，并生成权重矩阵；用注意力权重对 加权求和，输出 ；将多头输出合并，同时进行线性变换： ； ；其中， ，是指多头操作输出的数据； 为激活函数； 表示多头注意力； 表示合并矩阵或向量的函数； 指多头输出合并后的线性变换函数， 和 均表示网络权重； 和 均表示偏移项，由网络自学习得到； 表示注意力头的输出结果； 表示可学习的线性投影权重矩阵。
5.根据权利要求4所述的基于转换器模型的铁路纵断面线形重构方法，其特征在于，所述步骤2.3具体是：正则化公式为： ；其中， 为权重矩阵中的各权重， 表示正则化系数；归一化公式为： ； 和 分别为当前批的均值和方差； 和 分别为可学习的缩放和平移参数， 表示归一化后数据， 表示原数据， 表示用于防止分母为零的常数， 表示调整后的数据。
6.根据权利要求5所述的基于转换器模型的铁路纵断面线形重构方法，其特征在于，所述步骤2.4具体是：将编码器输出的数据与调整后的测点数据输入解码器；解码器中也进行前馈神经网络、正则化归一化操作；经数个编码器处理后的桩点数据与变坡点数据一同输入解码器；在解码器中进行第一次进行多头注意力机制处理时，变坡点数据替代值矩阵如下： ；其中，把 Q 和 K 标为编码器输出数据， V 标为变坡点数据；第一个解码器输出后，后续解码器操作与编码器相同，直至输出进入映射层。
7.根据权利要求6所述的基于转换器模型的铁路纵断面线形重构方法，其特征在于，所述步骤2.5具体是：映射层设为多层，映射层公式与前馈神经网络层相同，映射层层数反映线路用多项式表示的阶数上限，多层计算如下： ；纵断面的特征由映射层反映，保证映射层层数大于2或3， 表示权重， 为偏移项，保证高次项系数趋于零；得到处理后的变坡点数据 y ，并按顺序存储。
8.根据权利要求7所述的基于转换器模型的铁路纵断面线形重构方法，其特征在于，所述步骤2.6具体是：将位置列表中各变坡点数据按直线与竖曲线的形式连接，得到一条完整的调整后线路；取调整后线路上的各点与原始桩点数据用代价函数处理，公式如下： ；其中， 为代价函数的值； 为原始线路第 个桩点高程； 为调整后线路第 个桩点高程 ；所述代价函数用于使整个线路调整量最小，输出代价函数值 J 后，进行反向传播学习更新各参数。
9.一种可读存储介质，其特征在于，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现如权利要求1至8中任一项所述的基于转换器模型的铁路纵断面线形重构方法。
10.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行如权利要求1至8中任一项所述的基于转换器模型的铁路纵断面线形重构方法。
