1.一种用于汽车防侧翻的ECAS系统自适应控制方法，其特征在于，包括如下步骤：步骤一，离线采集N种汽车行驶状态数据、汽车侧翻时间参数TTR对；搭建并训练多个门控循环神经网络GRU融合后的改进型门控循环神经网络模型；步骤二，以一定采样周期，同时采集N种汽车行驶状态数据，滤波处理后作为汽车行驶状态时间序列数据存储；步骤三，以一定更新周期，通过预先训练的改进型门控循环神经网络模型处理汽车行驶状态时间序列数据，进行TTR参数预测，再将TTR参数输入比例参数模型得到自适应PD控制器的比例系数K p ；步骤四，以一定控制周期，计算所述汽车行驶状态时间序列数据的汽车横向负载转移比LTR参数，并得到LTR参数与设定值的偏差，偏差经过死区函数处理后输入自适应PD控制器进行控制输出；步骤五，汽车ECAS系统电磁阀根据自适应PD控制器的输出调节气囊高度，控制汽车左右两侧高度。
2.根据权利要求1所述的一种用于汽车防侧翻的ECAS系统自适应控制方法，其特征在于，所述汽车行驶状态数据包括但不限于方向盘角度数据、加速度数据、车胎压力数据、ECAS系统气囊压力数据。
3.根据权利要求1所述的一种用于汽车防侧翻的ECAS系统自适应控制方法，其特征在于，所述改进型门控循环神经网络模型包括依次连接的输入层、N个并联的门控循环神经元和神经元连接层，神经元连接层输出最终的TTR参数。
4.根据权利要求1所述的一种用于汽车防侧翻的ECAS系统自适应控制方法，其特征在于，所述比例系数模型公式为：K p ＝K 0 +α/(TTR+ε)其中，K 0 为比例系数基值，α为反向比，ε为最小分母。
5.根据权利要求1所述的一种用于汽车防侧翻的ECAS系统自适应控制方法，其特征在于，所述LTR参数的计算公式为：LTR＝(F lw +F la -F rw -F ra )/(F lw +F la +F rw +F ra )其中，F lw 和F rw 分别为车胎压力数据的左右两侧压力，F la 和F ra 分别为ECAS系统气囊压力数据的左右两侧压力。
6.根据权利要求3所述的一种用于汽车防侧翻的ECAS系统自适应控制方法，其特征在于，每个门控循环神经元的循环运算包括以下三个步骤：步骤一，上个循环的隐状态数据h(k-1)元素乘重置系数r(k)，得到重置隐状态数据h′ r (k-1)，公式为：h′ r (k-1)＝h(k-1)⊙r(k)其中，重置系数r(k)公式为：其中，W r 、b r 为门控循环神经元的训练参数，X(k)为本次循环输入的汽车行驶状态数据；步骤二，将隐状态数据h′ r (k-1)和本次循环输入数据X(k)进行拼接，得到拼接隐状态数据h′ c (k-1)，公式为：其中，W c 、b c 为门控循环神经元的训练参数；步骤三，根据隐状态数据h(k-1)、拼接隐状态数据h′ c (k-1)和更新系数u(k)，得到本次循环的隐状态数据h(k)，公式为：h(k)＝u(k)⊙h(k-1)+(1-u(k))⊙h′ c (k-1)其中，更新系数u(k)公式为：其中，W u 、b u 为门控循环神经元的训练参数。
7.根据权利要求3所述的一种用于汽车防侧翻的ECAS系统自适应控制方法，其特征在于，所述神经元连接层将所有门控循环神经元最终隐状态数据向量H(k)加权和映射到范围为(0，N)，得到预测输出y，公式为：y＝N·sigmoid(W o ·H(k)+b o )其中，N、W o 、b o 为门控循环神经元的训练参数；H(k)＝[h 1 (k)，h 2 (k)，...，h n (k)] T其中，h i (k)表示第i个门控循环神经元最终隐状态数据。
