1.基于双稳健学习的建成环境与交通事故因果效应分析方法，其特征在于，包括以下步骤：步骤A、收集多源数据，并对其进行联邦预处理与特征对齐，通过联邦学习实现跨区域数据协同分析，并结合差分隐私加密保障数据合规性；

步骤B、构建时空因果动态加权GBDT预测模型并对其进行训练优化，将时空注意力机制、双重鲁棒因果约束和区域自适应分裂策略深度融合；

步骤C、在步骤B的基础上，引入生成对抗网络生成高保真反事实场景，并耦合双重稳健学习框架量化建成环境对交通事故风险的条件平均处理效应CATE；

步骤D、最后对建成环境与交通事故因果效应进行检验，生成综合性分析报告和因果效应量化表。

2.根据权利要求1所述的基于双稳健学习的建成环境与交通事故因果效应分析方法，其特征在于：所述步骤A中，所述多源数据包括交通事故数据、卫星遥感数据和建成环境数据；交通事故数据包括事故发生时间、地点和严重程度；对卫星遥感数据预处理后得到包括光谱特征、纹理参数、夜间灯光强度及人口密度梯度的多维数据集，以支撑建成环境与交通安全的关联建模；所述建成环境数据包括道路网络与多类别兴趣点；通过三级校验形成多尺度建成环境量化指标体系。

3.根据权利要求1所述的基于双稳健学习的建成环境与交通事故因果效应分析方法，其特征在于：所述步骤A中，进行联邦预处理与特征对齐时，在联邦模型的融合层引入多头自注意力机制，通过注意力得分动态分配特征权重，捕捉跨模态交互“遥感×路网密度”对事故风险的协同影响，具体包括：（1）横向联邦学习：通过在多个参与方之间共享加密模型参数，结合KL散度动态调整节点权重，实现跨区域数据的协同分析及自适应融合；

（2）加密特征对齐：使用Z‑score标准化方法，将特征值标准化到均值为0，标准差为1的分布；

（3）差分隐私加密：计算查询函数的全局敏感度，在查询结果中添加拉普拉斯噪声。

4.根据权利要求1所述的基于双稳健学习的建成环境与交通事故因果效应分析方法，其特征在于：所述步骤B中，所述时空因果动态加权GBDT预测模型包括：时空注意力门控模块：动态捕捉区域特异性和时间演变规律， 将地理栅格 和时间序列 编码为时空特征向量，通过多头注意力机制动态计算区域权重， 通过双通道门控机制生成动态区域权重；

区域自适应分裂模块：提出区域自适应分裂策略，动态调整分裂增益，并引入平滑约束；

双重鲁棒因果约束模块：引入双重鲁棒因果约束，确保条件平均处理效应CATE估计的鲁棒性；

然后通过特征筛选、超参数调优和联邦交叉验证评估时空因果动态加权GBDT预测模型的鲁棒性和泛化能力，并通过迭代优化模型。

5.根据权利要求1所述的基于双稳健学习的建成环境与交通事故因果效应分析方法，其特征在于：所述步骤C具体采用以下方式实现：步骤C1、启动双重稳健学习进行因果推断：通过结合逆概率加权和回归模型，实现双重纠偏，使用时空因果动态加权GBDT预测模型估计条件平均处理效应CATE；

步骤C2、通过生成对抗网络生成高保真的反事实数据：输入真实交通事故数据与建成环境特征，生成器基于空间注意力机制生成反事实数据；

步骤C3、对比生成的反事实数据与真实数据，验证反事实数据的真实性和多样性，确保生成的反事实数据能够反映不同建成环境特征对交通事故的影响；进而进一步实现对条件平均处理效应CATE的量化分析。

6.根据权利要求1所述的基于双稳健学习的建成环境与交通事故因果效应分析方法，其特征在于：所述步骤D中，通过估计条件平均处理效应CATE，结合交叉验证，验证因果效应显著性：（1）显著性成立时，整合实验全周期数据，生成综合性分析报告和因果效应量化表，并提出针对性规划策略；

（2）显著性不成立时：调整DRL参数，启动双重稳健估计，重新对时空因果动态加权GBDT预测模型进行优化。