1.一种车载式的轨道高低不平顺峰值区间检测方法，其特征在于，包括数据采集、数据预处理、模型建立及训练、预测评价得到最佳置信区间宽度。

2.根据权利要求1所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述数据采集包括如下：采集车体三轴加速度、角速度及当前位置的地磁强度，采集轨道不平顺数据；所述数据预处理包括：通过卡尔曼滤波方法对车体加速度姿态进行校正，对车体纵向加速度进行二次积分并进行里程误差修正。

3.根据权利要求1所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述模型建立及训练包括：建立贝叶斯长短期记忆神经网络模型，训练模型后测试模型预测结果；所述预测评价得到最佳置信区间宽度包括：计算峰值区间预测结果CWEC值，得到最佳置信区间宽度。

4.根据权利要求2所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述采集车体三轴加速度、角速度及当前位置的地磁强度具体是在车体上安装采样频率超过

500Hz的横向、垂向、纵向三轴加速度传感器，三轴陀螺仪传感器和三轴地磁强度传感器，获取车体三轴振动加速度、角速度和当前位置的地磁强度；所述采集轨道不平顺数据具体是通过轨道动检车获取轨道高低不平顺数据。

5.根据权利要求2所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述通过卡尔曼滤波方法对车体加速度姿态进行校正，对车体纵向加速度进行二次积分并进行里程误差修正具体是指：融合采集到的的加速度、角速度和地磁数据，然后通过卡尔曼滤波方法获取车辆运动横滚角、俯仰角和航向角，并根据三种姿态角对车辆运动加速度姿态进行校正，得到车辆在大地坐标系下的三轴振动加速度，再对车体纵向加速度进行二次积分得到车辆位置信息，并利用车辆航向角和线路曲线信息对二次积分的结果进行里程误差修正。

6.根据权利要求5所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述里程误差修正具体是指：根据线路曲线信息数据得到曲线主点坐标，曲线主点坐标包括直缓点、缓圆点、圆缓点和缓直点，初始化状态向量、过程噪声及测量噪声，根据状态转移方程和协方差外推方程预测下一步状态和协方差，计算卡尔曼增益后更新后验状态和状态协方差，此为一个循环步骤，重复此步骤即完成里程误差修正。

7.根据权利要求3所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述建立贝叶斯长短期记忆神经网络模型，训练模型后测试模型预测结果具体是指：对传统的长短期记忆神经网络模型进行改进，神经元权重参数采用区间估计，使神经网络的预测结果具有置信区间，将车体垂向加速度作为模型输入，神经网络模型的输入神经元节点采用256个点，神经网络模型的隐藏层数为2，隐藏神经元数为4，采用双向输出的LSTM，输出激活函数为双曲正切函数，损失函数为高低不平顺预测结果和真实值之间的均方误差，采用Adam优化算法调整训练迭代过程中的参数学习率，按照伯努利分布随机采样并以0.2的概率关闭对应的神经元，数据采用分批次，对神经网络模型进行训练，输入数据测试模型后得到预测结果的均值和标准差。

8.根据权利要求7所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述对神经网络模型进行训练包括设置有早停机制，具体是当20个迭代循环内损失函数不再降低时停止训练，避免训练参数过拟合。

9.根据权利要求3所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述计算峰值区间预测结果CWEC值，得到最佳置信区间宽度具体是指：根据得到的预测结果均值和标准差，设置不同的±N倍标准差得到预测置信区间，并以CWEC评价指标作为衡量区间预测能力的评价指标。

10.根据权利要求9所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述CWEC评价指标包括计算区间预测覆盖概率PICP、计算区间预测标准化平均宽度PINAW和计算区间预测误差比例PIER， ， CWEC值越大，预测结果越好，最终得到最佳的置信区间宽度N。