1.一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，该方法包括以下步骤：(1)城市网格划分：根据地理坐标，将预测城市划分为I×J个大小相同的网格区域；

(2)构造交通事故时空风险矩阵：根据交通事故发生的时间和地点，按同一时段统计每个网格区域的事故风险，生成所有网格区域随时间变化的风险矩阵序列，并进行归一化处理， 其中，事故风险为每个区域在每个时段内发生的每件交通事故的严重程度之和；

(3)划分连续性分支和周期性分支：根据交通事故的发生在时间上具有连续性和周期性特点，将风险矩阵序列按连续性和周期性进行提取，划分为连续性分支和周期性分支， 其中，连续性分支为待预测时段的前lc个相邻的风险矩阵序列，周期性分支为待预测时段的前lp个相隔周期长度的风险矩阵序列；

(4)构造外部特征向量：外部环境包括城市的天气情况和节假日分布，假设整个城市共享同一外部环境，提取每个时段的外部环境数据的特征并进行量化处理，生成每个时段的外部特征向量；

(5)交通事故风险预测：建立基于卷积长短时记忆神经网络的城市交通事故风险预测模型，将步骤( 3) 获得的待预测时段的连续性分支和周期性分支和步骤( 4) 获得的待预测时段的外部特征向量作为输入，待预测时段的风险矩阵作为输出，通过构建有监督的训练数据集对模型进行训练，得到城市交通事故风险预测模型，再利用训练好的交通事故风险预测模型进行城市交通事故风险预测。

2.如权利要求1所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(2)中，生成所有网格区域随时间变化的风险矩阵序列的过程如下：(2a)取时间间隔t划分时段，则历史时间可以被划分为n个时间间隔的集合{T|t＝0,

1,...,n‑1}；

(2b)采用每个区域在每个时段内发生的每件交通事故的严重程度之和作为事故风险，并计算每个区域在每个时段的事故风险，具体为：其中， 为网格区域(i,j)在时间t内的事故风险值，(i,j)为区域索引，Vk代表每件交通事故中的车辆数量，Ik代表每件交通事故中的受伤人数，Dk代表每件交通事故中的死亡人数，用死亡人数、受伤人数和事故车辆数的加权来表示每件交通事故严重程度，a1、a2和a3为权重，其中，a3＞a1＝a2；

(2c)将历史交通事故数据按时间间隔t计算每个网格内的事故风险，生成所有网格区域随时间变化的交通事故风险矩阵序列{Xt|t＝0,1,...,n‑1}，风险矩阵Xt的具体表示如下：。

3.如权利要求2所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(3)中，划分连续性分支和周期性分支的过程如下：定义连续性分支为待预测时段t的前lc个相邻的矩阵序列，周期性分支为待预测时段t的前lp个相隔周期长度的矩阵序列，则连续性分支Xc(t)和周期性分支Xp(t)可以表示为：其中：lc表示连续性分支的风险矩阵序列个数，lp表示周期性分支的风险矩阵序列个数，p表示周期长度。

4.如权利要求1所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(4)中，构造外部特征向量的过程如下：(4a)对城市的天气数据和节假日数据按时间间隔t进行特征提取，并对每天24小时按照凌晨(0:00‑7:00)、早高峰(7:00‑9:00)、晚高峰(17：00‑20:00)、夜晚(20:00‑24:00)模式划分；

(4b)量化过程包括对类型数据采用one‑hot独热编码，对数值型数据进行归一化处理，生成每个时段的外部特征向量{Et|t＝0,1,...,n‑1}，其中E包含所有的外部特征变量。

5.如权利要求1所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(5)中，所述交通事故风险预测模型具体包括两个卷积长短时记忆神经网络、一个全连接神经网络和特征融合层，其中：两个相同结构的卷积长短时记忆神经网络ConvLSTM分别用于对连续性分支Xc(t)和周期性分支Xp(t)进行时空特征提取；全连接神经网络用于对待预测时段的外部特征向量进行特征提取；

所述特征融合层利用基于权重矩阵融合的方法对两个ConvLSTM的输出进行特征融合，得到融合结果X，具体为： 其中：表示Hadamard积，L表示网络层数，和 分别为两个网络的输出，Wc和Wp分别为两个网络学习到的权重矩阵；

再将全连接网络的输出XE与X进行矩阵相加，然后利用tanh激活函数将输出映射到[‑1，

1]范围内，具体为： 从而得到预测结果

6.如权利要求1所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(5)中，所述交通事故风险预测模型训练时采用MSE计算损失，损失函数L(θ)具体为：其中： 为模型的预测结果，Xt为真实值，θ是模型学习的所有参数， 是矩阵的L2范数，通过训练得到最小损失函数，获得交通事故风险预测模型中的参数。