1.一种铁路轨道磨损量评估方法，其特征在于，包括：

获取第一数据，所述第一数据包括列车运行数据和轨道历史磨损数据；

将所述第一数据发送至预处理模型进行预处理，其中将所述第一数据依次发送至基于预设的变分自编码器与高斯过程回归模型进行清洗和补全，得到预处理后的第一数据；

将所述预处理后的第一数据进行小波变换和局部加权回归处理，得到所有第一数据的局部特征和其局部线性关系，并将其作为特征数据集；

将所述特征数据集发送至预设的降维模型进行处理，其中，将所述特征数据集依次进行极限学习机的特征关系处理与主成分分析进行降维，并通过预设的高斯混合模型进行处理，得到至少一个类别特征集合；

将所有类别的特征集合发送至预设的预测模型进行处理，并将预测结果发送至卷积神经网络模型进行优化，得到优化后的预测结果；

将所述优化后的预测结果进行可靠度分析，并将可靠度大于预设阈值的预测结果作为轨道磨损量的评估结果。

2.根据权利要求1所述的铁路轨道磨损量评估方法，其特征在于，将所述第一数据发送至预处理模型进行预处理，其中将所述第一数据依次发送至基于预设的变分自编码器与高斯过程回归模型进行清洗和补全，包括：将所述第一数据输入至变分自编码器进行降噪处理，其中，变分自编码器将输入数据映射到一个潜在空间中，所述变分自编码器学习到数据的内在分布，并将噪声与数据中的关键特征区分，将潜在空间中的数据点映射回原始空间，得到去噪后的数据；

基于所述至变分自编码器提取所述第一数据的潜在变量，并将所述潜在变量映射至低维空间内进行表示，得到低维空间的潜在变量数据，所述潜在变量为轨道磨损与列车负荷、运行速度、轨道类型的数据；

基于预设的高斯过程回归模型学习所述低维空间的潜在变量数据之间的协方差结构，并基于所述协方差结构预测缺失值；

基于所述去噪后的数据和缺失值对所述第一数据进行清洗和补全，得到预处理后的第一数据。

3.根据权利要求1所述的铁路轨道磨损量评估方法，其特征在于，将所述预处理后的第一数据进行小波变换和局部加权回归处理，得到所有第一数据的局部特征和其局部线性关系，并将其作为特征数据集，包括：选择预设的小波变换函数，并将分解的层数预设为三层，且基于所述预设的小波变换函数将所述预处理后的第一数据在至少两个频带上进行分解，得到至少两个尺度下的信号信息；

将所有尺度下的信号信息输入至预设的局部加权回归模型内进行相邻数据点的权重计算，并使用加权后的数据点训练所述局部加权回归模型，得到训练后的局部加权回归模型；

将所述至少两个尺度下的信号信息发送至所述训练后的局部加权回归模型进行预测，得到预测结果，所述预测结果表示预处理后的第一数据对应的目标点的局部特征和非线性关系。

4.根据权利要求1所述的铁路轨道磨损量评估方法，其特征在于，将所述特征数据集发送至预设的降维模型进行处理，其中，将所述特征数据集依次进行极限学习机的特征关系处理与主成分分析进行降维，并通过预设的高斯混合模型进行处理，包括：将所述特征数据集发送至预设的极限学习机模型内进行处理，其中，极限学习机模型通过隐层神经元的ReLU函数对特征数据集进行映射，并捕捉高维空间中特征数据集的非线性关系，并不断的反向传播和梯度下降，直至捕捉到高维空间中特征数据集所有数据的非线性关系，得到包含所有数据的非线性关系的特征数据集；

计算包含所有数据的非线性关系的特征数据集的协方差矩阵，其中所述协方差矩阵中的每个协方差表示每个特征之间的非线性关系；

将协方差矩阵进行特征值分解，得到特征向量和特征值，特征值表示每个特征向量在数据中的权重，特征向量则表示每个特征向量的方向；

选择由大至小前预设数量个最大特征值对应的特征向量，并将包含所有数据的非线性关系的特征数据集映射到预设数量个最大特征值对应的特征向量，得到降维后的特征数据集；

将降维后的特征数据集输入至预设的高斯混合模型中进行聚类处理，其中，假设降维后的数据集中的每个数据点都是从高斯分布中随机抽取，基于最大期望值算法估计得到每个数据点属于高斯分布的概率，并基于所述概率对降维后的数据集中的每个数据进行分类，得到至少一个类别特征集合。

5.根据权利要求1所述的铁路轨道磨损量评估方法，其特征在于，将所有类别的特征集合发送至预设的预测模型进行处理，并将预测结果发送至卷积神经网络模型进行优化，得到优化后的预测结果，包括：基于随机森林回归模型对所有类别的特征集合中的轨道历史磨损数据和特征数据进行训练，其中，通过均方误差多次迭代计算，直至预测结果和所述轨道历史磨损数据的误差小于预设阈值，得到训练后的随机森林回归模型；

将所有类别的特征集合发送至训练后的随机森林回归模型进行预测，得到轨道的第一磨损结果；

将所述轨道的第一磨损结果输入至卷积神经网络进行优化，其中，所述卷积神经网络的卷积层通过一组卷积核对第一磨损结果进行滑动窗口处理，对第一磨损结果中不同位置的局部区域进行加权求和，并通过池化层对加权求和得到第一磨损结果的局部特征进行最大池化操作，最后，通过全连接层将每个局部特征进行提取，得到最终的预测结果。

6.一种铁路轨道磨损量评估系统，其特征在于，包括：

获取单元，用于获取第一数据，所述第一数据包括列车运行数据和轨道历史磨损数据；

第一处理单元，用于将所述第一数据发送至预处理模型进行预处理，其中将所述第一数据依次发送至基于预设的变分自编码器与高斯过程回归模型进行清洗和补全，得到预处理后的第一数据；

第二处理单元，用于将所述预处理后的第一数据进行小波变换和局部加权回归处理，得到所有第一数据的局部特征和其局部线性关系，并将其作为特征数据集；

第三处理单元，用于将所述特征数据集发送至预设的降维模型进行处理，其中，将所述特征数据集依次进行极限学习机的特征关系处理与主成分分析进行降维，并通过预设的高斯混合模型进行处理，得到至少一个类别特征集合；

第四处理单元，用于将所有类别的特征集合发送至预设的预测模型进行处理，并将预测结果发送至卷积神经网络模型进行优化，得到优化后的预测结果；

第五处理单元，用于将所述优化后的预测结果进行可靠度分析，并将可靠度大于预设阈值的预测结果作为轨道磨损量的评估结果。

7.根据权利要求6所述的铁路轨道磨损量评估系统，其特征在于，所述第一处理单元，包括：第一处理子单元，用于将所述第一数据输入至变分自编码器进行降噪处理，其中，变分自编码器将输入数据映射到一个潜在空间中，所述变分自编码器学习到数据的内在分布，并将噪声与数据中的关键特征区分，将潜在空间中的数据点映射回原始空间，得到去噪后的数据；

第二处理子单元，用于基于所述至变分自编码器提取所述第一数据的潜在变量，并将所述潜在变量映射至低维空间内进行表示，得到低维空间的潜在变量数据，所述潜在变量为轨道磨损与列车负荷、运行速度、轨道类型的数据；

第一预测子单元，用于基于预设的高斯过程回归模型学习所述低维空间的潜在变量数据之间的协方差结构，并基于所述协方差结构预测缺失值；

第三处理子单元，用于基于所述去噪后的数据和缺失值对所述第一数据进行清洗和补全，得到预处理后的第一数据。

8.根据权利要求6所述的铁路轨道磨损量评估系统，其特征在于，所述第二处理单元，包括：第一分解子单元，用于选择预设的小波变换函数，并将分解的层数预设为三层，且基于所述预设的小波变换函数将所述预处理后的第一数据在至少两个频带上进行分解，得到至少两个尺度下的信号信息；

第一计算子单元，用于将所有尺度下的信号信息输入至预设的局部加权回归模型内进行相邻数据点的权重计算，并使用加权后的数据点训练所述局部加权回归模型，得到训练后的局部加权回归模型；

第二预测子单元，用于将所述至少两个尺度下的信号信息发送至所述训练后的局部加权回归模型进行预测，得到预测结果，所述预测结果表示预处理后的第一数据对应的目标点的局部特征和非线性关系。

9.根据权利要求6所述的铁路轨道磨损量评估系统，其特征在于，所述第三处理单元，包括：第四处理子单元，用于将所述特征数据集发送至预设的极限学习机模型内进行处理，其中，极限学习机模型通过隐层神经元的ReLU函数对特征数据集进行映射，并捕捉高维空间中特征数据集的非线性关系，并不断的反向传播和梯度下降，直至捕捉到高维空间中特征数据集所有数据的非线性关系，得到包含所有数据的非线性关系的特征数据集；

第二计算子单元，用于计算包含所有数据的非线性关系的特征数据集的协方差矩阵，其中所述协方差矩阵中的每个协方差表示每个特征之间的非线性关系；

第二分解子单元，用于将协方差矩阵进行特征值分解，得到特征向量和特征值，特征值表示每个特征向量在数据中的权重，特征向量则表示每个特征向量的方向；

第五处理子单元，用于选择由大至小前预设数量个最大特征值对应的特征向量，并将包含所有数据的非线性关系的特征数据集映射到预设数量个最大特征值对应的特征向量，得到降维后的特征数据集；

第六处理子单元，用于将降维后的特征数据集输入至预设的高斯混合模型中进行聚类处理，其中，假设降维后的数据集中的每个数据点都是从高斯分布中随机抽取，基于最大期望值算法估计得到每个数据点属于高斯分布的概率，并基于所述概率对降维后的数据集中的每个数据进行分类，得到至少一个类别特征集合。

10.根据权利要求6所述的铁路轨道磨损量评估系统，其特征在于，所述第四处理单元，包括：第七处理子单元，用于基于随机森林回归模型对所有类别的特征集合中的轨道历史磨损数据和特征数据进行训练，其中，通过均方误差多次迭代计算，直至预测结果和所述轨道历史磨损数据的误差小于预设阈值，得到训练后的随机森林回归模型；

第三预测子单元，用于将所有类别的特征集合发送至训练后的随机森林回归模型进行预测，得到轨道的第一磨损结果；

第四预测子单元，用于将所述轨道的第一磨损结果输入至卷积神经网络进行优化，其中，所述卷积神经网络的卷积层通过一组卷积核对第一磨损结果进行滑动窗口处理，对第一磨损结果中不同位置的局部区域进行加权求和，并通过池化层对加权求和得到第一磨损结果的局部特征进行最大池化操作，最后，通过全连接层将每个局部特征进行提取，得到最终的预测结果。