1.一种基于GRU网络和卡尔曼滤波的GPS数据重构方法，其特征在于，所述方法包括如下步骤：

获取GPS实测数据，将GPS实测数据输入预先训练的GRU网络模型G，获得校正完成的轨迹数据Data1；

采用预设的卡尔曼滤波算法对校正完成的轨迹数据Data1进行修正，获得高精度的GPS数据。

2.根据权利要求1所述的GPS数据重构方法，其特征在于，所述预先训练的GRU网络模型G通过如下步骤获得的：

构建GRU网络模型，配置GRU网络模型权重参数，设计损失函数；

获取GPS训练数据，采用驻留点检测方法，提取出运动学片段，生成训练用的运动片段集合T*；

采用Matlab的AWGN函数将标准高斯白噪声加入训练用的运动片段集合T*，得到训练用的轨迹数据集合T；

从训练用的轨迹数据集合T中任选70％数据作为GRU网络模型的训练集T1，剩余30％数据作为GRU网络模型的验证集T2；

将训练集T1的数据输入GRU网络模型，利用梯度下降法最小化损失函数，调整GRU网络模型权重参数，得到调整后的GRU网络模型；

将验证集T2的数据输入调整后的GRU网络模型，根据输出结果与验证集的标签数据之间的误差，更新GRU网络模型权重参数并进行下次训练，直到最小化损失函数的值小于预设的阈值ε，结束GRU网络模型的验证，得到预先训练的GRU网络模型G。

3.根据权利要求1所述的GPS数据重构方法，其特征在于，获得校正完成的轨迹数据包括如下步骤：

根据获取的GPS实测数据，得到实测轨迹数据集合Datapre；

将实测轨迹数据集合Datapre输入预先训练的GRU网络模型G，预先训练的GRU网络模型G学习实测轨迹数据的驾驶规律，矫正实测轨迹数据中DOP值较大的轨迹点，得到校正完成的轨迹数据Data1。

4.根据权利要求1所述的GPS数据重构方法，其特征在于，获取GPS实测数据包括：驾驶配置有GPS模块的车载终端的浮动车以不同的车速通过某市市区不同路段采集到的GPS实测数据。

5.根据权利要求1所述的GPS数据重构方法，其特征在于，采用预设的卡尔曼滤波算法对校正完成的轨迹数据进行修正包括如下步骤：构建卡尔曼滤波的状态向量Mt和观测向量Zt；

根据状态向量计算出某一数据所处时刻的先验预估值；

基于某一数据所处时刻的实际测量值和该时刻的先验预估值，修正计算得到该时刻的最优估计值。

6.根据权利要求1所述的GPS数据重构方法，其特征在于，还包括利用Monte‑Carlo试验方法计算高精度的GPS数据的x、y方向的误差均方根来评估高精度的GPS数据的重构性能。

7.一种基于GRU网络和卡尔曼滤波的GPS数据重构装置，其特征在于，所述装置包括：校正模块：用于将GPS实测数据输入预先训练的GRU网络模型G，获得校正完成的轨迹数据Data1；

降噪重构模块：用于采用预设的卡尔曼滤波算法对校正完成的轨迹数据进行降噪重构，获得高精度的GPS数据。

8.一种基于GRU网络和卡尔曼滤波的GPS数据重构装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行权利要求1～6任一项所述方法的步骤。

9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～6任一项所述方法的步骤。