1.一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法，其特征在于，包括以下步骤：S1：采集车辆卫星定位数据与个人信息；

S2：建立数据处理及分析模型，得到车辆状态数据和道路状态数据；

S3：以车辆异常运动行为评价体系作为指标，基于车辆异常运动行为熵模型对车辆异常行为进行权重分配；

S4：利用车辆异常运动行为熵模型权重分配结果，对车辆冲突风险进行实时评估；

S5：对步骤S2数据进行分类合并与均值处理，得到车辆冲突风险2D张量；

S6：将各类车辆运动行为形成2D张量图，进行叠加，得到各类车辆运动行为3D张量图；

S7：基于双向多通道卷积神经网络模型，将车辆冲突风险2D张量进行池化，将各类车辆运动行为3D张量进行卷积和池化处理，并进行误差反向传播，实现车辆冲突风险预测。

2.如权利要求1所述的一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法，其特征在于，步骤S1中所述的采集车辆卫星定位数据与个人信息，包括对车辆卫星定位数据进行道路绑定处理和个人信息进行处理，其中，对个人信息进行处理包括对驾驶人识别ID进行加密与染色处理，以及对驾驶人长时间停车或乘客上车点与下车点坐标进行移除数据处理。

3.如权利要求1所述的一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法，其特征在于，步骤S2中建立数据处理及分析模型，包括：采用第n时刻与第n+1时刻的车辆经纬度坐标，可以得出车辆在两时间节点之间的路程，如式(1)所示：n n

式中，Loij与Laij 分别表示在第n时刻下，第i位驾驶人执行j号订单时的车辆的经纬度坐标；

近似得到车辆在每一时间间隔运动的位移 如式(2)所示：确定车辆的瞬时速度 与瞬时加速度 如式(3)及式(4)所示：计算车辆瞬时方位角的改变量 如式(5)所示：

2

式中， 与 表示第n及n+1段的位移，Dist (n‑1,n+1)表示第n‑1个时间节点与n+1个时间节点之间的位移；

确定车辆的瞬时角速度 与角加速度 如式(6)及式(7)所示：计算在第n个时间节点下，该路段的车辆平均速度 如式(8)所示：式中， 表示该微段内的所有车辆的平均速度之和。

4.如权利要求1所述的一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法，其特征在于，步骤S3中以车辆异常运动行为评价体系作为指标，基于车辆异常运动行为熵模型对车辆异常行为进行权重分配，包括：将车辆速度与角速度两项评价指标，以车辆速度与角速度最大值的85％作为评价的标准，对车辆速度与角速度指标做出调整，如式(9)和式(10)所示：式中，0.85表示以车辆速度与角速度最大值的85％作为评价标准，δPv、δPω分别表示车辆速度与角速度指标；

基于构建的城市快速路车辆冲突行为评价指标，构建相应的评价矩阵P，如式(11)所示：P＝(pij)n×m                               (11)式中，pij为第i号样本的j项评价指标；

将评价指标进行标准化处理，包括对纵向加速度、角加速度等大于零的指标进行处理，如式(12)所示，和对纵向减速度等小于零的指标进行处理，如式(13)所示，得到标准化评价矩阵Bij＝[bij]：为确定对应评价指标中各值在评价体系当中的比重，计算第j项评价指标下的第i个评价对象的特征比重Zij，如式(14)所示：计算第j项指标的熵值ej，如式(15)所示：

计算第j项指标的差异化系数gj，如式(16)所示：

gj＝1‑ej                           (16)。

5.如权利要求1所述的一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法，其特征在于，步骤S4中，利用车辆异常运动行为熵模型权重分配结果，对车辆冲突风险进行实时评估，计算第j项评价指标的权重系数wj，得到各类评价指标的最终评价结果，如式(17)所示：

6.如权利要求1所述的一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法，其特征在于，步骤S5中对步骤S2数据进行分类合并与均值处理，得到车辆冲突风险2D张量，包括：S51将道路经度与纬度坐标网格化，采用就近原则和左上方原则，将点状经度与纬度坐标数据对应至所划分网格化坐标的内部；

S52调用Python中Pytorch API对各类车辆运动行为数据，进行对应化的合并与均值处理；

S53建立1024*1024的2D空张量，将处理完善的各类车辆运动行为数据，以5min为一时间节点分别输入张量内部，并储存至内存。

7.如权利要求1所述的一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法，其特征在于，步骤S6中，将各类车辆运动行为形成2D张量图，进行叠加，得到各类车辆运动行为3D张量图，包括：对合并与均值处理后的数据进行矩阵化分类处理，将每5min间隔数据进行提取与划分，如式(18)、式(19)所示：式中，xmn中，m表示车辆在城市当中的纬度序号，n表示其经度编号，x代表其车辆平均位移数据；

式中，vmn中，m表示车辆在城市当中的纬度序号，n表示其经度编号，v代表其车辆平均速度数据。

将平均位移、速度、加速度、角位移、角速度、角加速度的二维矩阵合并为3D张量，如式(20)所示：G＝[X1 V2 A3 θ4 ω5 α6]                (20)式中，X1 V2 A3 θ4 ω5 α6分别代表了平均位移、速度、加速度、角位移、角速度、角加速度六项指标的均值矩阵。

8.根据权利要求1所述的基于多通道卷积神经网络的车辆冲突风险评估与预测方法，其特征在于，步骤S7中，基于双向多通道卷积神经网络模型，将车辆冲突风险2D张量进行池化，将各类车辆运动行为3D张量进行卷积和池化处理，并进行反向传播，实现车辆冲突风险预测，包括：对于卷积层，对数据进行卷积处理，如式(21)所示：

式中， 表示在第l层的第j个图样， 表示在l层的第j个权重张量的第i个元素，b为偏置因子；

对于池化层，对数据进行池化处理，如式(22)所示：

将步骤S5处理后的数据进行池化以及将各类车辆运动行为3D张量进行卷积和池化处理后的结果进行误差反向传播，如式(23)、式(24)所示；

式中，对产生的误差值进行偏导求解，计算代价函数，反向传播至最初的一层神经网络模型，进行参数更新，如式(25)、式(26)所示：式中，基于导函数的链式法则，最终对G,b进行处理，以实现参数逐层更新。

9.一种根据权利要求1‑8任一项所述的基于多通道卷积神经网络的车辆冲突风险评估与预测方法的应用，其特征在于，应用于城市各路段的车辆冲突风险实时评估与预测。