1.一种适用于自动驾驶车辆的交通规划方法，其特征在于，包括：

获取历史交通数据、车辆信息数据与实时交通数据；其中，所述历史交通数据包括目标区域的交通线网、历史交通流量、历史事故数据、通行效率与信号灯初始控制方案，所述车辆信息数据包括石油运输车的车辆性能、自动驾驶方案与车辆实时数据，所述车辆实时数据包括实时行驶数据与罐内传感数据；

基于所述历史交通数据与所述车辆信息数据识别石油运输车的行为模式，并以此构建交通风险模型；其中，所述行为模式包括不同路况下的驾驶行为、避障策略以及对交通信号灯的响应情况；

结合所述实时交通数据与所述车辆信息数据，利用决策树算法分析所述行为模式得到数据分析结果，基于所述数据分析结果制定石油运输车的行为调整策略，包括：整合交通风险模型与所述行为调整策略，并评估石油运输车在特定路段和时段的风险评级以及推荐避让行动，得到需求分析结果；

对车辆实时状态和所述需求分析结果进行数据融合，通过分析车辆当前位置与预期路线调整所述信号灯初始控制方案以匹配石油运输车的实际行驶路径和速度，得到动态信号调整计划；

利用图搜索算法基于所述动态信号调整计划构建交通网络图，并通过时间窗口、所述历史交通流量和石油运输车的通行需求在所述交通网络图中搜索信号灯的最优调整路径和时序，得到交通信号控制策略；

利用卡尔曼滤波器对所述车辆信息数据进行数据融合得到所述车辆实时状态；其中，所述车辆实时状态包括石油运输车的位置、速度及潜在泄漏检测数据；

利用图搜索算法基于所述交通风险模型、所述行为调整策略与所述车辆实时状态优化所述信号灯初始控制方案得到所述交通信号控制策略；

通过所述交通信号控制策略在所述交通风险模型上对交通信号进行动态调整得到模拟交通数据，结合所述实时交通数据与所述模拟交通数据利用深度学习网络进行优化并更新所述交通信号控制策略，将更新后的所述交通信号控制策略应用于石油运输车交通管理系统。

2.根据权利要求1所述的方法，其特征在于，所述基于所述历史交通数据与所述车辆信息数据识别石油运输车的行为模式，并以此构建交通风险模型，包括：对所述历史交通数据进行数据增强，并结合石油运输车的危险品运输记录和历史事故数据增加数据标签，得到包含风险因子标注的增强数据集；

对所述增强数据集进行时间序列建模处理，并采用基于机器学的异常点检测算法识别其中的风险事件段和异常行为模式，得到时间依赖风险评估；其中，所述时间依赖风险评估包括石油运输车泄漏和火灾紧急避让需求；

对所述时间依赖风险评估进行行为模式分析，通过ARIMA模型识别所述历史交通流量和风险事件段的周期性和趋势得到行为模式分析结果；

利用支持向量机模型对所述行为模式分析结果进行风险评估和分类，并结合所述历史交通流量与所述历史事故数据的复合影响得到所述交通风险模型。

3.根据权利要求1所述的方法，其特征在于，所述结合所述实时交通数据与所述车辆信息数据，利用决策树算法分析所述行为模式得到数据分析结果，基于所述数据分析结果指定石油运输车的行为调整策略，包括：对所述实时交通数据与所述车辆信息数据进行特征工程处理，并对得到的车辆制动性能、交通密度、近距离车辆行为和路况信息特征进行整合得到决策环境数据集；

对所述决策环境数据集进行特征选取，通过信息增益比算法筛选紧急避让行为预测的影响特征得到有效特征集；

利用CART分类树算法分析不同特征组合下石油运输车的行为模式，构建用于预测紧急避让行为的决策模型；

根据所述决策模型对石油运输车的行为模式进行优化处理，通过模拟和验证不同紧急情况下石油运输车的避让动作得到所述行为调整策略。

4.根据权利要求1所述的方法，其特征在于，所述利用卡尔曼滤波器对所述车辆信息数据进行数据融合得到所述车辆实时状态，包括：对所述实时行驶数据与所述罐内传感数据进行数据整合并定义为状态向量，得到综合状态向量；

对所述综合状态向量进行配置处理，并以此调整卡尔曼滤波器的滤波参数；

利用卡尔曼滤波器对所述实时行驶数据进行实时数据融合，并连续更新状态估计，得到车辆实时状态估计；

对所述车辆实时状态估计进行动态调整，并调整其过程噪声和测量误差参数得到优化车辆实时状态。

5.一种适用于自动驾驶车辆的交通规划装置，其特征在于，包括：

获取模块，用于获取历史交通数据、车辆信息数据与实时交通数据；其中，所述历史交通数据包括目标区域的交通线网、历史交通流量、历史事故数据、通行效率与信号灯初始控制方案，所述车辆信息数据包括石油运输车的车辆性能、自动驾驶方案与车辆实时数据，所述车辆实时数据包括实时行驶数据与罐内传感数据；

识别构建模块，用于基于所述历史交通数据与所述车辆信息数据识别石油运输车的行为模式，并以此构建交通风险模型；其中，所述行为模式包括不同路况下的驾驶行为、避障策略以及对交通信号灯的响应情况；

调整模块，用于结合所述实时交通数据与所述车辆信息数据，利用决策树算法分析所述行为模式得到数据分析结果，基于所述数据分析结果制定石油运输车的行为调整策略，包括：整合交通风险模型与所述行为调整策略，并评估石油运输车在特定路段和时段的风险评级以及推荐避让行动，得到需求分析结果；

对车辆实时状态和所述需求分析结果进行数据融合，通过分析车辆当前位置与预期路线调整所述信号灯初始控制方案以匹配石油运输车的实际行驶路径和速度，得到动态信号调整计划；

利用图搜索算法基于所述动态信号调整计划构建交通网络图，并通过时间窗口、所述历史交通流量和石油运输车的通行需求在所述交通网络图中搜索信号灯的最优调整路径和时序，得到交通信号控制策略；

融合模块，用于利用卡尔曼滤波器对所述车辆信息数据进行数据融合得到所述车辆实时状态；其中，所述车辆实时状态包括石油运输车的位置、速度及潜在泄漏检测数据；

优化模块，用于利用图搜索算法基于所述交通风险模型、所述行为调整策略与所述车辆实时状态优化所述信号灯初始控制方案得到所述交通信号控制策略；

更新模块，用于通过所述交通信号控制策略在所述交通风险模型上对交通信号进行动态调整得到模拟交通数据，结合所述车辆信息数据与所述模拟交通数据利用深度学习网络进行优化并更新所述交通信号控制策略，将更新后的所述交通信号控制策略应用于石油运输车交通管理系统。

6.根据权利要求5所述的装置，其特征在于，所述识别构建模块，包括：

数据增强单元，用于对所述历史交通数据进行数据增强，并结合石油运输车的危险品运输记录和历史事故数据增加数据标签，得到包含风险因子标注的增强数据集；

评估单元，用于对所述增强数据集进行时间序列建模处理，并采用基于机器学的异常点检测算法识别其中的风险事件段和异常行为模式，得到时间依赖风险评估；其中，所述时间依赖风险评估包括石油运输车泄漏和火灾紧急避让需求；

分析单元，用于对所述时间依赖风险评估进行行为模式分析，通过ARIMA模型识别所述历史交通流量和风险事件段的周期性和趋势得到行为模式分析结果；

建模单元，用于利用支持向量机模型对所述行为模式分析结果进行风险评估和分类，并结合所述历史交通流量与所述历史事故数据的复合影响得到所述交通风险模型。

7.根据权利要求5所述的装置，其特征在于，所述调整模块，包括：

整合单元，用于对所述历史交通数据与所述车辆信息数据进行特征工程处理，并对得到的车辆制动性能、交通密度、近距离车辆行为和路况信息特征进行整合得到决策环境数据集；

有效特征集单元，用于对所述决策环境数据集进行特征选取，通过信息增益比算法筛选紧急避让行为预测的影响特征得到有效特征集；

决策模型单元，用于利用CART分类树算法分析不同特征组合下石油运输车的行为模式，构建用于预测紧急避让行为的决策模型；

行为调整策略单元，用于根据所述决策模型对石油运输车的行为模式进行优化处理，通过模拟和验证不同紧急情况下石油运输车的避让动作得到所述行为调整策略。

8.根据权利要求5所述的装置，其特征在于，所述融合模块，包括：

综合状态向量单元，用于对所述实时行驶数据与所述罐内传感数据进行数据整合并定义为状态向量，得到综合状态向量；

调参单元，用于对所述综合状态向量进行配置处理，并以此调整卡尔曼滤波器的滤波参数；

状态估计单元，用于利用卡尔曼滤波器对所述实时行驶数据进行实时数据融合，并连续更新状态估计，得到车辆实时状态估计；

实时状态单元，用于对所述车辆实时状态估计进行动态调整，并调整其过程噪声和测量误差参数得到优化车辆实时状态。

9.根据权利要求5所述的装置，其特征在于，所述优化模块，包括：

整合分析单元，用于整合交通风险模型与所述行为调整策略，并评估石油运输车在特定路段和时段的风险评级以及推荐避让行动，得到需求分析结果；

调整单元，用于对所述车辆实时状态和所述需求分析结果进行数据融合，通过分析车辆当前位置与预期路线调整所述信号灯初始控制方案以匹配石油运输车的实际行驶路径和速度，得到动态信号调整计划；

交通信号控制策略单元，用于利用图搜索算法基于所述动态信号调整计划构建交通网络图，并通过时间窗口、所述历史交通流量和石油运输车的通行需求在所述交通网络图中搜索信号灯的最优调整路径和时序，得到所述交通信号控制策略。