1.一种基于人工智能的道路交通风险预测方法，其特征在于，包括：获取任一路段在不同历史时间段内不同时刻的道路交通状况历史数据，其中所述道路交通状况历史数据包括所述路段在不同时间段内不同时刻的车流量数据序列、平均车速数据序列以及驾驶员不规范驾驶行为数据序列；

对获取的所述道路交通状况历史数据进行预处理；

基于所述路段在每个历史时间段的预处理后的车流量数据序列和平均车速数据序列，计算每个历史时间段对应的客观风险指数；

基于所述路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列，计算每个历史时间段对应的主观风险指数；

根据所述每个历史时间段对应的客观风险指数和主观风险指数，确定每个历史时间段对应的道路交通风险指数；

将所述每个历史时间段对应的道路交通风险指数组成的时间数据序列输入时间序列预测模型，得到所述路段在下一时间段的道路交通风险指数，用以预测所述下一时间段的道路交通风险。

2.根据权利要求1所述的基于人工智能的道路交通风险预测方法，其特征在于，对获取的所述道路交通状况历史数据进行预处理，包括：对所述路段在不同时间段内不同时刻的车流量数据序列、平均车速数据序列以及驾驶员不规范驾驶行为数据序列通过线性插值填充法对缺失的数据进行填补，其中所述驾驶员不规范驾驶行为数据序列包括加塞次数数据序列和压线次数数据序列。

3.根据权利要求1所述的基于人工智能的道路交通风险预测方法，其特征在于，基于所述路段在每个历史时间段的预处理后的车流量数据序列和平均车速数据序列，计算每个历史时间段对应的客观风险指数，包括：基于所述路段在每个历史时间段的预处理后的车流量数据序列，确定每个历史时间段对应的道路平均承载因子；

根据每个历史时间段对应的所述道路平均承载因子，确定每个历史时间段对应的风险阈值；

根据每个历史时间段对应的所述风险阈值对对应的历史时间段的预处理后的车流量数据序列进行聚类处理，得到每个历史时间段对应的车流量风险簇；

根据每个历史时间段对应的车流量风险簇，得到每个历史时间段对应的车流量风险指数和平均车速风险指数；

根据每个历史时间段对应的所述车流量风险指数以及所述平均车速风险指数，得到每个历史时间段对应的客观风险指数。

4.根据权利要求3所述的基于人工智能的道路交通风险预测方法，其特征在于，根据每个历史时间段对应的所述道路平均承载因子，确定每个历史时间段对应的风险阈值，包括：每个历史时间段对应的所述风险阈值的计算公式为：

；

其中，β为安全系数， 表示道路平均承载因子为历史时间段中第i个时间段中所有时刻的车流量均值。

5.根据权利要求3所述的基于人工智能的道路交通风险预测方法，其特征在于，每个历史时间段对应的所述客观风险指数的计算公式为：；

其中， 表示对应历史时间段内j时刻车速变化指数， ， 为对应历史时间段内车速变化指数SC大于1的总次数， 为对应历史时间段的平均车速风险指数，和 分别表示车流量风险簇中j时刻和j‑1时刻对应的平均车速，QN为车流量风险簇对应的时刻数，m为车流量风险簇中时刻的总个数， 表示对应的历史时间段中的平均车速对车流量的关联度，TRI为对应的历史时间段的车流量风险指数， ，Q表示对应时间段中车流量风险簇的数量， 表示对应时间段中当前车流量风险簇与相邻车流量风险簇之间的数据个数的均值， 为对应车流量风险簇的承载差异度， ， 表示道路平均承载因子，为历史时间段中第i个时间段中所有时刻的车流量均值，表示对应车流量风险簇中的最大车流量数据。

6.根据权利要求1所述的基于人工智能的道路交通风险预测方法，其特征在于，基于所述路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列，计算每个历史时间段对应的主观风险指数，包括：基于所述路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列，计算每个历史时间段对应的加塞风险指数和压线风险指数；

根据每个历史时间段对应的所述加塞风险指数和所述压线风险指数，计算每个历史时间段对应的主观风险指数。

7.根据权利要求6所述的基于人工智能的道路交通风险预测方法，其特征在于，基于所述路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列，计算每个历史时间段对应的加塞风险指数和压线风险指数，其中所述加塞风险指数的计算公式为：；

其中， 为对应历史时间段的加塞风险指数；为对应历史时间段内的加塞风险时刻总数；E为对应历史时间段内的加塞风险时刻数； 为历史时间段内第i个时间段的加塞增长系数； 和 分别表示历史时间段内第i个时间段和第 个时间段加塞次数数据序列的 指数；

所述压线风险指数的计算公式为：

；

其中， 为对应历史时间段的压线风险指数；为对应历史时间段内的压线风险时刻总数；T为对应历史时间段内的压线风险时刻数； 为历史时间段内第i个时间段的压线增长系数； 和 分别表示历史时间段内第i个时间段和第 个时间段压线次数数据序列的 指数。

8.根据权利要求6所述的基于人工智能的道路交通风险预测方法，其特征在于，每个历史时间段对应的主观风险指数的计算公式为：；

其中，SRI为主观风险指数， 分别表示加塞与压线对道路交通风险影响程度的权重因子，GRI为加塞风险指数；PRI为压线风险指数。

9.根据权利要求1所述的基于人工智能的道路交通风险预测方法，其特征在于，根据所述每个历史时间段对应的客观风险指数和主观风险指数，确定每个历史时间段对应的道路交通风险指数，包括：每个历史时间段对应的道路交通风险指数的计算公式为：；

其中，RI为对应历史时间段的道路交通风险指数；ORI、SRI分别为对应历史时间段的客观风险指数与主观风险指数， 为归一化操作。

10.根据权利要求1所述的基于人工智能的道路交通风险预测方法，其特征在于，所述时间序列预测模型为ARIMA模型。