1.一种基于数据驱动的轮胎建模方法，其特征在于，包括：

步骤1：确定轮胎建模的输入变量与输出变量；

步骤2：进行轮胎实验，采集轮胎在不同路面及不同工况下的输入数据、输出数据；

步骤3：对采集的输入、输出数据进行处理，构建轮胎建模的数据集，将数据库分为训练样本和验证样本；

步骤4：选择合适的数据驱动模型，确定驱动模型结构和方法，初始化，用训练样本对轮胎模型进行训练，并用验证样本对模型进行测试验证；

步骤5：建立基于数据驱动的轮胎模型；具体步骤为：将训练样本的数据集离散化表示xk＝x(kΔt)，yk＝y(kΔt)，其中，k＝1,2,...,m；训练样本输入垂直载荷Fz、滑移率λ、侧偏角α、径向变形量r、侧倾角γ、轮速v和横摆角β作为控制输入，令uk＝xk，轮胎输出变量纵向力Fx、侧向力Fy、法向力Fz、侧倾力矩Mx、滚动阻力矩My和回正力矩Mz中的一个或几个作为状态变量，模型建立过程中将输出数据集作为状态变量，在状态空间中，令xk＝yk；将字典集作为深度神经网络的输出，即DNN＝Ng(xk)，Ng()为神经元的组合函数，为uk和xk高维空间线性组合，利用DNN模型将xk、xk+1、uk分别映射到高维空间g(xk)、g(xk+1)，g(uk)，g()函数为空间函数，g(xk+1)与g(uk)、g(xk)三者之间存在线性关系；

字典集表示为 表示映射到高维空间内状态

变量g(xk)＝(Fxk,Fyk,Fzk,Mxk,Myk,Mzk)与控制输入g(uk)＝(Fzk,λk,αk,rk,γk,vk,βk)所有可能组合的集合，作为映射基底；

在高维空间下存在KNg(xk)＝Ng(xk+1)，计算误差损失函数：

式中λ1、λ2为字典集的稀疏参数，|| ||2、|| ||1分别表示2‑范数和1‑范数，θ为深度神经网络的参数，K为所要求的koopman算子，根据损失函数更新koopman算子，同时自动完善字典 完成建模，此时koopman的问题将转换为：式中，K为所要求的koopman算子，此方案中为矩阵；最后，初始化神经网络，获得随机参数化字典，完成上述过程，最后用测试样本验证模型的可靠性，建立数据驱动轮胎模型。

2.根据权利要求1所述的一种基于数据驱动的轮胎建模方法，其特征在于，所述步骤1中，轮胎模型的输入变量包括滑移率、侧偏角、径向变形量、侧倾角、轮速和横摆角，输出变量包括纵向力、侧向力、法向力、侧倾力矩、滚动阻力矩和回正力矩。

3.根据权利要求1所述的一种基于数据驱动的轮胎建模方法，其特征在于，所述步骤2中，轮胎实验中采用已知半径的同一型号轮胎进行实验，安装传感器，配置完整的信息采集系统。

4.根据权利要求3所述的一种基于数据驱动的轮胎建模方法，其特征在于，所述轮胎实验具体包括：步骤2.1：选择一个输入变量；

步骤2.2：相同磨损量的轮胎，环境因素一致的情况下，使轮胎相对于路面产生运动，保持相对稳定；

步骤2.3：改变输入变量，记录变化过程中对应的输出数据；

步骤2.4：更换步骤1中的变量，重复步骤2.1至步骤2.3，直至遍历所有变量，数据采集完成。

5.根据权利要求1所述的一种基于数据驱动的轮胎建模方法，其特征在于，所述步骤2中，不同路面包括干路面、湿路面，不同工况包括高速转向、制动和加速。

6.根据权利要求1所述的一种基于数据驱动的轮胎建模方法，其特征在于，所述步骤3中，对采集的输入、输出数据进行归一化处理，统一数量级。

7.根据权利要求6所述的一种基于数据驱动的轮胎建模方法，其特征在于，所述归一化处理是对原始数据进行线性变化，将测量得到的数据映射到[0,1]之间，处理过程如式：式中，x0为处理前数据，xmax为处理前数据最大值，xmin为处理前数据最小值，x1为处理后的变量，输出数据也进行相同处理，记作y1。

8.根据权利要求1所述的一种基于数据驱动的轮胎建模方法，其特征在于，所述步骤4中，采用深度神经网络DNN，自动且有效地生成字典，同时遍历函数空间，将字典映射到高维空间，在高维空间内，获得koopman算子的准确估计，逼近实验数据，建立数据驱动轮胎模型。

9.根据权利要求8所述的一种基于数据驱动的轮胎建模方法，其特征在于，所述数据驱动轮胎模型为非稳态模型，用于处理轮胎动态工况。

10.一种计算机可读存储介质，其特征在于，包括供一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1‑9任一所述方法的指令。