1.一种基于车联网的火情预警系统，其特征在于，包括传感器检测模块、数据融合处理模块、火情判定模块、车联网模块、主机厂云端、旁车安全风险判别模块、网关控制器和车辆总线各路CAN下控制器单元；

所述传感器检测模块用于将采集到的信息传递给数据融合处理模块；

所述数据融合处理模块用于预处理、归一化传感器信号，并将处理后的数据传输给火情判定模块；

所述火情判定模块根据上层的输入，进行特征融合与决策判断，并将决策结果发送给网关控制器和车联网模块；

所述网关控制器用于将火情判定结果路由到车辆总线各路CAN下控制器单元，执行各控制器火情下的控制策略；

所述车联网模块将起火车辆的数据发送到主机厂云端；同时将旁车信息发送给旁车安全风险判别模块；

所述旁车安全风险判别模块根据车联网传输的旁车信息进行旁车安全风险判别，并将判别结果发送回车联网模块，进行旁车预警；

所述主机厂云端，根据车联网发送的数据进行分布式云端训练，训练样本调整权值，修正火情预测模型。

2.根据权利要求1所述的基于车联网的火情预警系统，其特征在于，所述传感器检测模块包括IFC智能前置摄像头、GPS定位模块、车速传感器、加速度传感器、温度传感器、烟雾传感器、CO气体传感器、毫米波雷达和陀螺仪。

3.根据权利要求1所述的基于车联网的火情预警系统，其特征在于，车辆总线包括Body CAN、PT CAN、Chassis CAN和Infomercial CAN；其中，所述Body CAN下连接车身控制器BCM，PT CAN下连接电池管理系统BMS，Chassis CAN下连接车身电子稳定系统ESP，Infomercial CAN下连接组合仪表IPK。

4.根据权利要求1所述的基于车联网的火情预警系统的预警方法，其特征在于，包括以下步骤：步骤1：利用车联网模块向云端发出火情预测模型更新请求；

步骤2：判断本车的模型是否有更新；若有，将云端的模型更新至车端；若没有更新，则进入下一步骤；

步骤3：传感器检测模块采集所需的车辆位置信息、本车行驶状态信息、温度、烟雾、气体信息和旁车车辆行驶状态信息；

步骤4：数据融合处理模块对传感器检测模块采集的温度、烟雾、气体信号进行预处理与归一化；

步骤5：利用数据融合处理模块的输出作为火情判定模块的输入，进行火情判定，火情判定方法基于改进的RBF‑BP混合神经网络，输出有火、无火和阴燃的概率；根据判定结果进行本车预警、旁车风险判别预警与云端数据上传，模型修正；

步骤6：若发生火情，网关控制器通过车辆总线向各路CAN下的控制器发送相应的功能禁止信号，执行火情下的控制策略进行本车预警；

步骤7：同时，利用车联网模块及传感器检测模块获取旁车的行驶状态、位置信息，将信息发送给旁车安全风险判断模块，根据判定结果进行主动预警或常规旁车信息更新；

步骤8：车端发送火情车辆相关传感、行驶数据及ECU故障码到主机厂云端，传感器数据为数据融合处理模块输出的数据；

步骤9：云端样本数据更新，训练样本调整模型权重，火情判定模型基于改进的RBF‑BP混合神经网络；

步骤10：云端火情判定模型修正，等待车端请求更新。

5.根据权利要求4所述的基于车联网的火情预警系统的预警方法，其特征在于，所述数据融合处理模块的用于预处理、归一化传感器信号，预处理方法为：其中，xi(n)为第n个采样时刻的传感器信号，i为1，2，3...分别表示温度、烟雾、CO传感器；Ui为传感器采集的相邻信号差的累加；Ri为局部决策结果； 为传感器的门限值；f(x)为单位阶跃函数；

归一化方法为：

其中，xi为传感器未处理的原始值，xmax为样本数据的最大值，xmin为样本数据的最小值，x′i为归一化之后的值，i为1，2，3...分别表示各传感器。

6.根据权利要求5所述的基于车联网的火情预警系统的预警方法，其特征在于，所述的数据融合处理模块对传感信号进行预处理，若某一传感器在某个采样时刻内局部决策结果Ri为1，则该信号出现异常，存在发生火灾的可能性，将采集的传感器信号传递给下一层；若Ri全为0，则信号无异常，数据不进行传递。

7.根据权利要求4所述的基于车联网的火情预警系统的预警方法，其特征在于，火情判定模块的判定方法基于改进的RBF‑BP混合神经网络，输出有火、无火和阴燃的概率；根据判定结果进行本车预警、旁车风险判别预警与云端数据上传，模型修正。

8.根据权利要求7所述的基于车联网的火情预警系统的预警方法，其特征在于，旁车安全风险判别模块的判断方法为：步骤7.1：本车通过车速、加速度传感器、GPS定位模块分别获得自身的车速信号、加速度信号、位置信号；

步骤7.2：旁车安全风险模块通过车联网模块获取旁车的车速、加速度、位置信号；

步骤7.3：旁车安全风险模块根据本车和旁车的行驶、位置信息，计算当前时刻位置本车与旁车的相对距离，本车与旁车坐标分别为(x1，y1)、(x2，y2)并设定车辆两级预警阈值距离L0和L1，其中L0为一级预警阈值，L1为二级预警阈值；

其中两车相对距离Lre大小为：

步骤7.4：将两车相对距离大小Lre和车辆两级预警阈值距离L0和L1进行比较；

详细的：L0的确定基于旁车行驶的安全性，公式为：

其中，va为旁车车速，t1为驾驶员反应时间，t2为制动响应时间，vb为本车车速，a为旁车的加速度，d为发生火情后，两车静止时的最小安全距离；

L1的确定基于旁车行驶的交通拥堵性，根据不同的交通路段选择不同的二级预警距离；

若Lre≤L0，则受火情影响安全风险的程度较大，发出一级预警；若L0＜Lre≤L1，则受火情影响安全风险的程度不大，但仍需提前预警，发出二级预警；若Lre＞L1，则没有安全风险，不进行预警。

9.根据权利要求7所述的基于车联网的火情预警系统的预警方法，其特征在于，主机厂云端根据车端发送的数据进行样本数据更新，训练样本调整权重，火情判定模型基于RBF‑BP混合神经网络，具体的：步骤9.1：将车端上传的温度x1、烟雾浓度x2、CO浓度x3作为RBF子网络的输入，RBF子网络包含一个隐藏层，该隐藏层节点传递函数选择为Gaussian径向基函数，数学描述为：其中， 是输入样本x与高斯函数中心向量x′的平方欧几里得距离，σ是函数的宽度参数；

步骤9.2：将RBF子网络的输出作为BP子网络的输入，BP子网络包含一个隐藏层，三个输出层，输出为有火，无火和阴燃的概率；隐藏层节点传递函数选择为Sigmoid函数；

步骤9.3：计算BP子网络正向传播的输入xink；

步骤9.4：计算BP子网络正向传播的输出youtk＝f(xink)；

步骤9.5：计算误差性能指标函数 其中d为期望输出；

步骤9.6：利用连续感知器学习规则，调整权值ω，使梯度的变化方向为负，使得e达到理想值。

10.基于权利要求9所述的基于车联网的火情预警系统的预警方法，其特征在于，火情判定模块的判断方法基于改进的RBF‑BP混合神经网络，引入动量因子α，α∈[0，1]，来滤除权值调整中的高频震荡，加快学习的进度，改进混合神经网络模型。