1.一种个性化铁路VR场景交互方法，其特征在于，包括以下步骤：S1、读取用户的登录信息，判断该用户是否为新用户，若是则进入步骤S2，否则进入步骤S3；

S2、向该用户推荐热门浏览场景至VR可视化界面，并进入步骤S5；

S3、根据该用户的历史浏览记录获取其个人兴趣和偏好；

S4、根据该用户的个人兴趣和偏好推荐浏览场景至VR可视化界面，并进入步骤S5；

S5、根据用户选择的浏览场景通过VR视觉显示器显示对应的最佳路线；

S6、用户根据最佳路线或自定义路线进行场景浏览，完成个性化铁路VR场景的交互；

所述步骤S2中向新用户推荐热门浏览场景至VR可视化界面的具体方法包括以下子步骤：

S2‑1、获取老用户历史浏览记录中的用户ID、浏览场景空间位置、浏览场景类别、关注焦点对象和交互时间，其中交互时间包括进入时间、离开时间和停留时长；

S2‑2、对于第i个老用户ui，将其用户ID和n个浏览场景空间位置按时间先后顺序组合成向量 并将该向量作为其用户情景信息；其中ui为第i个老用户的用户ID，为第i个老用户的第n个浏览场景空间位置；

S2‑3、对于第M个场景，将第i个老用户的用户ID和其在该场景中浏览过的浏览场景空间位置按时间先后顺序组合成向量 并将该向量作为第i个老用户在第M个场景的轨迹情景向量，第i个老用户在每个场景的轨迹情景向量进行列序，得到第i个老用户的轨迹情景信息；其中 表示第i个老用户在第M个场景中的第m个浏览过的浏览场景空间位置；

S2‑4、对于第i个老用户ui，根据k时刻和k+1时刻两个位置的坐标、浏览场景类别和关注焦点对象构建位置向量 将第i个老用户ui的所有位置向量进行列序，得到第i个老用户ui的位置情景信息；其中 为k时刻所在位置的坐标，ck为k时刻的浏览场景类别，ok为k时刻的关注焦点对象， 为k+1时刻所在位置的坐标，ck+1为k+1时刻的浏览场景类别，ok+1为k+1时刻的关注焦点对象；

S2‑5、对于第i个老用户ui，对用户ID、所在位置的坐标、进入时间、离开时间和停留时长进行列序，得到第i个老用户ui在f位置的情景信息向量 将第i个老用户ui在每个位置的情景信息向量进行列序，得到第i个老用户ui的初始时间情景信息，去除第i个老用户对应的初始时间情景信息中停留时长小于5秒的数据，得到第i个老用户对应的时间情景信息；其中 为第i个老用户在f位置的坐标， 分别为第i个老用户在f位置的进入时间、离开时间和停留时长；

S2‑6、将第i个老用户的用户情景信息、轨迹情景信息、位置情景信息和时间情景信息投影至低维向量空间，分别得到用户情景嵌入向量、轨迹情景嵌入向量、位置情景嵌入向量和时间情景嵌入向量，并根据公式：

获取第i个老用户的平均情景嵌入向量 其中 为第i个老用户的用户情景嵌入向i

量， 为第i个老用户的轨迹情景嵌入向量， 为第i个老用户的位置情景嵌入向量，Vt 为第i个老用户的时间情景嵌入向量；

S2‑7、将第i个老用户的平均情景嵌入向量 作为分层采样softmax函数的输入，获取第i个老用户对每个浏览场景空间位置的推荐概率，进而得到每个老用户对每个浏览场景空间位置的推荐概率；

S2‑8、根据公式：

获取所有老用户推荐第M个场景的意愿值PM，进而得到所有老用户推荐每个场景的意愿值；其中U表示所有老用户的集合，R表示所有老用户生成的轨迹集合，NR为所有老用户生成的轨迹的长度，N为第M个场景中的浏览场景空间位置总数；log(·)为对数函数，Pr(m|i)为第i个老用户对第m个浏览场景空间位置的推荐概率；

S2‑9、将每个场景按照所有老用户的推荐意愿值从大到小进行排序，将排序结果作为热门浏览场景榜推送至新用户的VR可视化界面。

2.根据权利要求1所述的个性化铁路VR场景交互方法，其特征在于，所述步骤S1中判断该用户是否为新用户的具体方法为：

根据该用户的登录信息判断其是否有历史浏览记录，若是则为老用户，否则为新用户。

3.根据权利要求1所述的个性化铁路VR场景交互方法，其特征在于，所述步骤S3中的具体方法包括以下子步骤：

S3‑1、获取该用户的历史浏览记录中的用户ID、浏览场景空间位置、浏览场景类别、关注焦点对象和交互时间，其中交互时间包括进入时间、离开时间和停留时长；

S3‑2、将其用户ID和n个浏览场景空间位置按时间先后顺序组合成向量 并将该向量作为其用户情景信息；其中ui为该老用户的用户ID， 为该老用户的第n个浏览场景空间位置；

S3‑3、对于第M个场景，将该老用户的用户ID和其在该场景中浏览过的浏览场景空间位置按时间先后顺序组合成向量 并将该向量作为该老用户在第M个场景的轨迹情景信息；其中 表示该老用户在第M个场景中的第m个浏览过的浏览场景空间位置；

S3‑4、根据该老用户在k时刻和k+1时刻两个位置的坐标、浏览场景类别和关注焦点对象构建位置向量 将该老用户ui的所有位置向量进行列序，得到该老用户ui的位置情景信息；其中 为k时刻所在位置的坐标，ck为k时刻的浏览场景类别，ok为k时刻的关注焦点对象， 为k+1时刻所在位置的坐标，ck+1为k+1时刻的浏览场景类别，ok+1为k+1时刻的关注焦点对象；

S3‑5、对该老用户的用户ID、所在位置的坐标、进入时间、离开时间和停留时长进行列序，得到该老用户ui在f位置的情景信息向量 将该老用户ui在每个位置的情景信息向量进行列序，得到该老用户ui的初始时间情景信息，去除该老用户对应的初始时间情景信息中停留时长小于5秒的数据，得到该老用户对应的时间情景信息；其中 为该老用户在f位置的坐标， 分别为该老用户在f位置的进入时间、离开时间和停留时长；

S3‑6、将第i个老用户的用户情景信息、轨迹情景信息、位置情景信息和时间情景信息投影至低维向量空间，分别得到用户情景嵌入向量、轨迹情景嵌入向量、位置情景嵌入向量和时间情景嵌入向量，并根据公式：

获取第i个老用户的平均情景嵌入向量 其中 为第i个老用户的用户情景嵌入向i

量， 为第i个老用户的轨迹情景嵌入向量， 为第i个老用户的位置情景嵌入向量，Vt 为第i个老用户的时间情景嵌入向量；

S3‑7、将该老用户的平均情景嵌入向量 作为分层采样softmax函数的输入，获取该老用户对每个浏览场景空间位置的推荐概率；

S3‑8、根据公式：

该老用户推荐第M个场景的意愿值PM，进而得到该老用户推荐每个场景的意愿值；其中Ri表示该老用户生成的轨迹集合，NR为该老用户生成的轨迹的长度，N为第M个场景中的浏览场景空间位置总数；log(·)为对数函数，Pr(m|i)为该老用户对第m个浏览场景空间位置的推荐概率；

S3‑9、将每个场景按照该老用户的推荐意愿值从大到小进行排序，将排序结果作为该用户的个人兴趣和偏好榜推送至该用户的VR可视化界面，并进入步骤S5。

4.根据权利要求1所述的个性化铁路VR场景交互方法，其特征在于，所述步骤S2‑7中将第i个老用户的平均情景嵌入向量 作为分层采样softmax函数的输入，获取第i个老用户对每个浏览场景空间位置的推荐概率的具体方法为：根据分层采样softmax函数公式：获取第i个老用户对第m个浏览场景空间位置的推荐概率Pr(m|i)，进而得到第i个老用户对每个浏览场景空间位置的推荐概率；其中NR为第i个老用户生成的轨迹的长度；exp(·)为以自然常数e为底的指数函数； 为第i个老用户的平均情景嵌入向量 转置矩阵；

θp‑1为分层采样softmax函数第p‑1个节点的参数；b为取值参数，当第m个浏览场景空间位置在第p个节点处取左分支时，b＝0；当第m个浏览场景空间位置在第p个节点处取右分支时，b＝1。

5.根据权利要求3所述的个性化铁路VR场景交互方法，其特征在于，所述步骤S3‑7中将该老用户的平均情景嵌入向量 作为分层采样softmax函数的输入，获取该老用户对每个浏览场景空间位置的推荐概率的具体方法为：根据分层采样softmax函数公式：获取第i个老用户对第m个浏览场景空间位置的推荐概率Pr(m|i)，进而得到第i个老用户对每个浏览场景空间位置的推荐概率；其中NR为第i个老用户生成的轨迹的长度；exp(·)为以自然常数e为底的指数函数； 为第i个老用户的平均情景嵌入向量 转置矩阵；

θp‑1为分层采样softmax函数第p‑1个节点的参数；b为取值参数，当第m个浏览场景空间位置在第p个节点处取左分支时，b＝0；当第m个浏览场景空间位置在第p个节点处取右分支时，b＝1。