1.一种跟车、旁车插入场景的高风险场景构建方法，其特征在于，所述方法包括：获取跟车、旁车插入场景的待检验场景元素；

利用斯皮尔曼相关性检验，从所述待检验场景元素中筛选出与行车风险相关性较强的场景元素，构建危险场景；

计算所述危险场景中选定的自车与前车的车头时距；

模拟所述自车的运动状态，实时计算所述自车与所述前车的相对距离，并确定当所述自车及所述前车的车速均为0时两车制动停车的相对距离；

根据所述自车与前车的车头时距及所述两车制动停车的相对距离，构建高风险场景。

2.根据权利要求1所述的方法，其特征在于，所述利用斯皮尔曼相关性检验，从所述待检验场景元素中筛选出与行车风险相关性较强的场景元素，构建危险场景，包括：获取所述待检验场景元素的元素变量及对应的行车风险，并对所有元素变量及行车风险按照从低到高进行排序，以及确定各个元素变量各自对应的第一秩及各个行车风险各自对应的第二秩；

根据所有的第一秩和第二秩，确定各个元素变量和对应的行车风险的斯皮尔曼相关系数；

筛选符合条件的所述斯皮尔曼相关系数对应的场景元素；

根据筛选出的场景元素，构建所述危险场景。

3.根据权利要求2所述的方法，其特征在于，所述根据所有的第一秩和第二秩，确定各个元素变量和对应的行车风险的斯皮尔曼相关系数Pi为：其中， 其中，Ri为第一秩，Hi为第二秩，Ri和Hi分别为Xi、Yi的秩，Xi为元素变量，Yi为Xi对应的行车风险。

4.根据权利要求2所述的方法，其特征在于，所述筛选符合条件的所述斯皮尔曼相关系数对应的场景元素为：斯皮尔曼相关系数Pi满足‑1

5.根据权利要求1所述的方法，其特征在于，所述计算所述危险场景中选定的自车与前车的车头时距THW为：其中，Sn(t)为t时刻自车与前车的两车车头间距；vn(t)为t时刻自车的车速。

6.根据权利要求1所述的方法，其特征在于，运用智能驾驶员模型模拟所述自车的运动状态，其中，智能驾驶员模型为：式中：an(t)为t时刻自车的加速度；amax为自车驾驶人期望的最大加速度；vn(t)为t时刻自车的车速；vmax为驾驶人期望的速度；σ为加速参数；Sn(t)为t时刻两车车头间距； 为自车在t时刻期望的两车车头间距；S0为自车驾驶人停车时期望的两车车头间距；S1为距离参数；T为自车驾驶人期望的车头时距；Δvn(t)为自车与前车的车速差；b为自车驾驶人期望的减速度。

7.根据权利要求6所述的方法，其特征在于，所述模拟所述自车的运动状态，实时计算所述自车与所述前车的相对距离，并确定当所述自车及所述前车的车速均为0时两车制动停车的相对距离，包括：获取前车开始制动时刻t1所述危险场景中的自车与前车的场景元素，所述自车与前车的场景元素包括：前车车速v0，自车车速vn(t1)，两车车头间距Sn(t1)，两车车速差Δvn(t1)；

将所述自车与前车的场景元素代入到智能驾驶员模型中，计算得到t1时刻自车的加速度an(t1)；

根据t1时刻的状态确定t2时刻的各车状态，其中，t2时刻与t1时刻相差Δt：前车车速：v(t2)＝v0‑a·Δt

自车车速：vn(t2)＝vn(t1)‑an(t1)·Δt两车车速差：Δvn(t2)＝vn(t2)‑v(t2)＝[vn(t1)‑an(t1)·Δt]‑[v0‑a·Δt]前车的位置：自车的位置：

根据t2时刻前车的位置和自车的位置，计算t2时刻的两车车头间距Sn(t2)：Sn(t2)＝Sn(t1)+D前(t2)‑D自(t2)以此循环，直到tn时刻两车的速度均为0时停止计算，并计算该时刻的制动停车后的相对距离：DIDM(tn)＝Sn(tn)‑lA

其中，lA为前车车长。

8.根据权利要求1所述的方法，其特征在于，所述根据所述自车与前车的车头时距及所述两车制动停车的相对距离，构建高风险场景，包括：从所述危险场景中筛选同时满足所述自车与前车的车头时距小于或等于预设时长和所述两车制动停车的相对距离小于或等于预设距离的场景，构建所述高风险场景。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述高风险场景中随机选取场景中的一个车辆作为自车，提取t时刻的场景元素：自车车速vn(t)、两车车速差Δvn(t)、两车车头间距Sn(t)；

根据t时刻的场景元素，重新计算自车与前车的车头时距及所述两车制动停车的相对距离；

根据重新计算得到的自车与前车的车头时距及所述两车制动停车的相对距离，更新所述高风险场景。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑9中任一所述的跟车、旁车插入场景的高风险场景构建方法。