1.轨道不平顺动静态检测数据反演方法，其特征在于，包括：S1.采集轨道不平顺动静态检测数据，得到原始数据；

S2.对所述原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐，得到预处理数据；

S3.基于所述预处理数据，提取轨道不平顺峰值数据，对所述轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作，得到测试集数据；

S4.基于网格搜索法，对双向长短期记忆网络模型中的参数进行调优，得到改进双向长短期记忆网络模型；

S5.基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征，使用平均绝对误差和均方根误差，作为模型评价指标，对所述改进双向长短期记忆网络模型的工作性能和预测结果进行评价，选取评价结果最优的所述改进双向长短期记忆网络模型；

S6.基于所述改进双向长短期记忆网络模型，进行模型训练，求解优化器，用于截取学习序列的参数，即选定预测序列的长度后，将用于预测的序列向前向后各多取一倍长度构建学习序列，进而控制模型输入输出长度的单次预测长度，得到优化模型；

S7.基于所述优化模型，将所述测试集数据输入到所述优化模型得到测试结果，数据反演完成。

2.根据权利要求1所述的轨道不平顺动静态检测数据反演方法，其特征在于，S2中，采用业务法和Z‑score相结合的方法对所述原始数据进行异常值识别。

3.根据权利要求2所述的轨道不平顺动静态检测数据反演方法，其特征在于，S2中，对所述原始数据中的静态里程数据进行下采样处理，使其与动态采样数据间隔保持一致。

4.根据权利要求3所述的轨道不平顺动静态检测数据反演方法，其特征在于，S2中，根据新的里程信息采用二维插值对各指标检测数据做进一步插值处理，得到与新里程相对的各指标检测数据。

5.根据权利要求4所述的轨道不平顺动静态检测数据反演方法，其特征在于，S2中，基于互相关函数和动态时间规整的二阶段修正算法，进行动静态检测数据的精确匹配和里程对齐。

6.根据权利要求1所述的轨道不平顺动静态检测数据反演方法，其特征在于，所述对数变换的公式如下：；

其中，e为自然底数，x为原始数据，y为变换后的数据。

7.根据权利要求6所述的轨道不平顺动静态检测数据反演方法，其特征在于，所述滑动平均的公式如下：；

其中，为原始序列的第个数据，为窗口大小， 为在时刻的滑动平均值。

8.根据权利要求7所述的轨道不平顺动静态检测数据反演方法，其特征在于，所述一阶差分的公式如下：。

9.轨道不平顺动静态检测数据反演系统，其特征在于，包括：数据采集模块，用于采集轨道不平顺动静态检测数据，得到原始数据；

预处理模块，用于对所述原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐，得到预处理数据；

数据变换模块，用于基于所述预处理数据，提取轨道不平顺峰值数据，对所述轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作，得到测试集数据；

模型确定模块，用于基于网格搜索法，对双向长短期记忆网络模型中的参数进行调优，得到改进双向长短期记忆网络模型；

模型优化模块，用于基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征，使用平均绝对误差和均方根误差，作为模型评价指标，对所述改进双向长短期记忆网络模型的工作性能和预测结果进行评价，选取评价结果最优的所述改进双向长短期记忆网络模型；

模型训练模块，用于基于所述改进双向长短期记忆网络模型，进行模型训练，求解优化器，用于截取学习序列的参数，即选定预测序列的长度后，将用于预测的序列向前向后各多取一倍长度构建学习序列，进而控制模型输入输出长度的单次预测长度，得到优化模型；

数据反演模块，用于基于所述优化模型，将所述测试集数据输入到所述优化模型得到测试结果，数据反演完成。

10.计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行如权利要求1～8中任意一项所述的轨道不平顺动静态检测数据反演方法。