1.基于深度学习的钻井轨迹实时动态跟踪控制方法，其特征在于，所述方法包括：S1、通过预先构建的井眼轨迹控制模型，根据实时获取的井的基础信息和预设井眼轨迹数据，生成井眼轨迹控制参数；以及，通过预先构建的钻井液地层参数耦合模型，根据钻具所处地层环境设置对应于当前工况的最优钻井液性能参数；

S2、通过预先构建的关联模型对所述井眼轨迹控制参数和所述最优钻井液性能参数进行深度学习，生成钻井参数设置方案，按照所述钻井参数设置方案控制井下钻具钻井；

S3、通过预先构建的多指标融合评价模型对实时获取的钻井数据与所述钻井参数设置方案中的数据进行比较，确定所述钻井数据是否出现偏差；

S4、从预先构建的故障模式库中确定与偏差对应的故障模式，并基于所述故障模式从解决方案库中确定对应的解决方案对所述钻井参数设置方案进行修正；

其中，所述步骤S1之前，包括：

基于待钻井区域的历史数据构建深度学习数据库，其中，所述历史数据的类型包括以下中的一种或多种：井的地理位置、井深、钻井液性能参数、井眼轨迹数据、钻具类型、钻具机械参数、待钻井基本地层参数、故障类型、故障特征以及解决方案；

所述方法还包括：

对所述井眼轨迹数据和所述钻具机械参数进行深度学习，以构建所述井眼轨迹控制模型；

对所述待钻井基本地层参数和所述钻井液性能参数进行深度学习，以构建所述钻井液地层参数耦合模型；

对所述井眼轨迹数据和所述钻井液性能参数进行深度学习，以构建所述关联模型；

对所述历史数据进行深度学习，以构建所述多指标融合评价模型；

所述步骤S3中确定所述钻井数据出现偏差，包括：

实时获取的井眼轨迹数据超过所述钻井参数设置方案中的井眼轨迹数据；和/或实时获取的钻具机械数据超出所述钻井参数设置方案中的钻具机械数据；和/或实时获取的钻井液性能数据超过所述钻井参数设置方案中的钻井液性能数据。

2.根据权利要求1所述的基于深度学习的钻井轨迹实时动态跟踪控制方法，其特征在于，对所述深度学习数据库中的数据进行数据精化处理，包括：数据清洗、数据去重、数据标准化、数据异常处理以及降噪。

3.根据权利要求1所述的基于深度学习的钻井轨迹实时动态跟踪控制方法，其特征在于，所述步骤S4之前，还包括：根据历史数据和经验数据构建故障模式库，其中，所述故障模式库包含：历史故障类型、以及所述历史故障类型对应的偏差特征；

根据预先设置的规则库和优化算法构建解决方案库；

所述步骤S4中确定所述偏差对应的故障模式，包括：

将所述偏差的特征与所述故障模式库中的故障模式进行匹配，识别出最相似的故障模式；

基于所述故障模式从所述解决方案库中获取对应的解决方案。

4.根据权利要求1所述的基于深度学习的钻井轨迹实时动态跟踪控制方法，其特征在于，所述方法还包括：将实时获取的钻井数据作为新样本，更新所述井眼轨迹控制模型和钻井液地层参数耦合模型的参数。

5.基于深度学习的钻井轨迹实时动态跟踪控制系统，其特征在于，所述系统应用权利要求1所述的方法，所述系统包括：数据库，用于存储待钻井区域的历史数据；

模型训练模块，用于对所述数据库中的数据进行深度学习，以构建井眼轨迹控制模型、钻井液地层参数耦合模型、多指标融合评价模型，以及对所述井眼轨迹控制模型和所述钻井液地层参数耦合模型输出的数据参数进行深度学习构建关联模型；

钻井参数生成模块，用于通过所述井眼轨迹控制模型、所述钻井液地层参数耦合模型以及所述关联模型对井的基础信息、预设井眼轨迹数据以及钻具所处地层环境生成钻井参数设置方案；

钻井数据校验模块，用于对实时获取的钻井数据与所述钻井参数设置方案中的数据进行比较，以确定是否出现偏差；

钻井参数优化模块，用于在所述钻井数据出现偏差时获取对应的解决方案对所述钻井参数设置方案进行优化。

6.根据权利要求5所述的基于深度学习的钻井轨迹实时动态跟踪控制系统，其特征在于，所述钻井数据校验模块，包括：实时监测单元，用于实时获取钻井数据；

比对单元，用于在所述钻井数据超出所述钻井参数设置方案中的参数时，确定所述钻井数据出现偏差。

7.根据权利要求5所述的基于深度学习的钻井轨迹实时动态跟踪控制系统，其特征在于，所述钻井参数优化模块，包括：故障模式匹配单元，用于将偏差特征与预设的故障模式库中的故障模式进行匹配，识别出最相似的故障模式，基于所述故障模式从预设的解决方案库中获取对应的解决方案；

参数优化单元，用于将所述解决方案融合进所述钻井参数设置方案中以进行修正。

8.计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被执行时实现如权利要求1至4中任一项所述的基于深度学习的钻井轨迹实时动态跟踪控制方法。