1.一种基于联邦学习的道路预警方法，其特征在于，包括下述步骤：各个第一本地服务器分别接收中央服务器传输的初始反向神经网络模型，并获取对应的联邦车辆的车辆指标数据，基于所述车辆指标数据训练所述初始反向神经网络模型，获得训练后的初始反向神经网络模型的参数，作为第一参数，将所述第一参数传输给中央服务器，其中，所述第一本地服务器与所述联邦车辆为一一对应的关联关系；

各个第二本地服务器分别接收中央服务器传输的初始递归神经网络模型，并获取对应的联邦监控的道路监控图像数据，基于所述道路监控图像数据训练所述初始递归神经网络模型，获得训练后的初始递归神经网络模型的参数，作为第二参数，将所述第二参数传输给中央服务器，其中，所述第二本地服务器与所述联邦监控为一一对应的关联关系；

中央服务器分别接收所述第一参数和所述第二参数，通过增强算法分别对所述第一参数和所述第二参数进行聚合处理，分别获得第一目标参数和第二目标参数，并分别将所述第一目标参数和所述第二目标参数传给所述第一本地服务器和所述第二本地服务器；

第一本地服务器接收所述第一目标参数，基于所述第一目标参数迭代更新所述初始反向神经网络模型，直至达到预设的停止条件，获得目标反向神经网络模型；

第一本地服务器实时获取当前车辆的待检测车辆指标数据，将所述待检测车辆指标数据输入至所述目标反向神经网络模型中，获得所述目标反向神经网络模型输出的车辆状态和车辆异常概率，确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向预设范围内的车辆和调度客户端发送车辆预警信号；

第二本地服务器接收所述第二目标参数，基于所述第二目标参数迭代更新所述初始递归神经网络模型，直至达到预设的停止条件，获得目标递归神经网络模型；

第二本地服务器实时根据时间序列获取道路影像，将所述道路影像输入至所述目标递归神经网络模型中，获得所述目标递归神经网络模型输出的道路风险概率，确定所述道路风险概率是否大于第一道路风险阈值，在所述道路风险概率大于所述第一道路风险阈值时，向调度客户端发送第一道路风险预警信号；

在调度客户端同时接收到车辆预警信号和第一道路风险预警信号时，调度客户端判断所述车辆预警信号携带的第一地理位置和所述第一道路风险预警信号携带的第二地理位置之间的距离是否小于范围阈值，在所述第一地理位置和所述第二地理位置之间的距离小于范围阈值时，向指定人员发送道路调控通知。

2.根据权利要求1所述的基于联邦学习的道路预警方法，其特征在于，所述确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向预设范围内的车辆和调度客户端发送车辆预警信号的步骤之后，还包括：调度客户端接收所述第一本地服务器发送的安全预警信号，确定发送所述安全预警信号的第一本地服务器，作为预警本地服务器，根据所述预警本地服务器确定出与所述预警本地服务器相关联的联邦车辆，作为目标车辆；

调度客户端确定所述目标车辆的地理位置，基于所述目标车辆的地理位置，从所述联邦监控中确定出目标联邦监控，基于所述目标联邦监控确定与所述目标联邦监控相关联的第二本地服务器，作为目标第二本地服务器；

调度客户端向所有的所述目标第二本地服务器发送道路监控预警信号；

在所述第二本地服务器实时根据时间序列获取道路影像，将所述道路影像输入至所述目标递归神经网络模型中，获得所述目标递归神经网络模型输出的道路风险概率的步骤之后，还包括：

在所述第二本地服务器接收到调度客户端发送的道路监控预警信号时，所述第二本地服务器确定所述道路风险概率是否大于第二道路风险阈值，在所述道路风险概率大于所述第二道路风险阈值时，向所述调度客户端发送第二道路风险预警信号，其中，所述第二道路风险阈值小于所述第一道路风险阈值。

3.根据权利要求1所述的基于联邦学习的道路预警方法，其特征在于，所述中央服务器分别接收所述第一参数和所述第二参数，通过增强算法分别对所述第一参数和所述第二参数进行聚合处理，分别获得第一目标参数和第二目标参数的步骤包括：中央服务器分别接收所述第一参数和所述第二参数，分别对所述第一参数和所述第二参数进行平均操作，分别获得所述第一目标参数和所述第二目标参数，所述第一目标参数的特征为:

其中，W’为所述第一目标参数，n为联邦车辆个数，nk为第k个联邦车辆，nk数值恒为1，为所述第一参数；

所述第二目标参数的特征为：

其中，V’为所述第二目标参数，m为联邦监控个数，mp为第p个联邦监控，mp数值恒为1，为所述第二参数。

4.根据权利要求1所述的基于联邦学习的道路预警方法，其特征在于，在所述各个第一本地服务器分别接收中央服务器传输的初始反向神经网络模型，并获取对应的联邦车辆的车辆指标数据的步骤之前，还包括：

中央服务器根据预设的分发比例确定联邦车辆个数n；

接收各个候选本地服务器传输的异常指数，将所述候选本地服务器根据所述异常指数降序排序，获得指数列表；

选取所述指数列表中前n个候选本地服务器作为所述第一本地服务器，并将所述第一本地服务器对应的车辆作为所述联邦车辆。

5.根据权利要求4所述的基于联邦学习的道路预警方法，其特征在于，所述中央服务器根据预设的分发比例确定联邦车辆个数n的步骤包括：所述联邦车辆个数的特征为：

n为总车辆个数和预设的分发比例的乘积，与1之间的最大值。

6.根据权利要求1所述的基于联邦学习的道路预警方法，其特征在于，所述第一本地服务器基于所述第一目标参数迭代更新所述初始反向神经网络模型，直至达到预设的停止条件，获得目标反向神经网络模型的步骤包括：第一本地服务器基于所述第一目标参数更新所述初始反向神经网络模型，获得中间反向神经网络模型，基于所述车辆指标数据训练所述中间反向神经网络模型，获得训练后的中间反向神经网络模型的参数；

将训练后的中间反向神经网络模型的参数传输给中央服务器，以使所述中央服务器根据中间反向神经网络模型的参数生成第三目标参数；

接收中央服务器传输的第三目标参数，通过所述第三目标参数迭代更新所述中间反向神经网络模型，直至达到预设的迭代次数，获得所述目标反向神经网络模型。

7.根据权利要求1所述的基于联邦学习的道路预警方法，其特征在于，所述将所述第一参数传输给中央服务器的步骤包括：

通过AES加密函数对所述第一参数进行加密处理，获得加密数据；

将所述加密数据传输给所述中央服务器。

8.一种基于联邦学习的道路预警系统，其特征在于，所述基于联邦学习的道路预警系统包括中央服务器、第一本地服务器、第二本地服务器和调度客户端，其中，所述第一本地服务器，用于接收中央服务器传输的初始反向神经网络模型，并获取对应的联邦车辆的车辆指标数据，基于所述车辆指标数据训练所述初始反向神经网络模型，获得训练后的初始反向神经网络模型的参数，作为第一参数，将所述第一参数传输给中央服务器，其中，所述第一本地服务器与所述联邦车辆为一一对应的关联关系；

所述第二本地服务器，用于接收中央服务器传输的初始递归神经网络模型，并获取对应的联邦监控的道路监控图像数据，基于所述道路监控图像数据训练所述初始递归神经网络模型，获得训练后的初始递归神经网络模型的参数，作为第二参数，将所述第二参数传输给中央服务器，其中，所述第二本地服务器与所述联邦监控为一一对应的关联关系；

所述中央服务器，用于分别接收所述第一参数和所述第二参数，通过增强算法分别对所述第一参数和所述第二参数进行聚合处理，分别获得第一目标参数和第二目标参数，并分别将所述第一目标参数和所述第二目标参数传给所述第一本地服务器和所述第二本地服务器；

所述第一本地服务器，用于接收所述第一目标参数，基于所述第一目标参数迭代更新所述初始反向神经网络模型，直至达到预设的停止条件，获得目标反向神经网络模型；

所述第一本地服务器，用于实时获取当前车辆的待检测车辆指标数据，将所述待检测车辆指标数据输入至所述目标反向神经网络模型中，获得所述目标反向神经网络模型输出的车辆状态和车辆异常概率，确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向预设范围内的车辆和调度客户端发送车辆预警信号；

所述第二本地服务器，用于接收所述第二目标参数，基于所述第二目标参数迭代更新所述初始递归神经网络模型，直至达到预设的停止条件，获得目标递归神经网络模型；

所述第二本地服务器，用于实时根据时间序列获取道路影像，将所述道路影像输入至所述目标递归神经网络模型中，获得所述目标递归神经网络模型输出的道路风险概率，确定所述道路风险概率是否大于第一道路风险阈值，在所述道路风险概率大于所述第一道路风险阈值时，向调度客户端发送第一道路风险预警信号；

所述调度客户端，用于在调度客户端同时接收到车辆预警信号和第一道路风险预警信号时，判断所述车辆预警信号携带的第一地理位置和所述第一道路风险预警信号携带的第二地理位置之间的距离是否小于范围阈值，在所述第一地理位置和所述第二地理位置之间的距离小于范围阈值时，向指定人员发送道路调控通知。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于联邦学习的道路预警方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于联邦学习的道路预警方法的步骤。