1.一种用于轨道交通工程数据分析的决策系统，其特征在于，包括：云服务器、物联网智能传感器和物联网服务器；其中，所述云服务器被配置为：

获取与轨道交通工程相关的第一数据；

根据所述第一数据构建包含所有轨道交通工程数据的第一虚拟数字孪生模型；

应用大数据技术，对所述第一数据进行汇总分析，得到第一施工风险数据、第一关键节点数据，并制定对应的第一应对措施；

根据所述第一虚拟数字孪生模型、所述第一施工风险数据、所述第一关键节点数据和所述第一应对措施，进行方案模拟和碰撞检测，得到多个第一施工方案；

结合所述第一数据和所述第一施工方案并运用深度学习算法训练得到包括施工指引模型、预测施工进度模型、质量风险模型、安全事故风险模型以及防范措施规划模型的第一施工模型；

根据所述第一施工模型，在施工现场安装多个所述物联网智能传感器用于在施工过程中采集第二数据；

根据所述第一施工模型和所述第二数据建立知识图谱和决策树，开发基于规则引擎和人工智能的施工决策辅助系统，提供决策建议；

其中，所述应用大数据技术，对所述第一数据进行汇总分析，得到第一施工风险数据、第一关键节点数据，并制定对应的第一应对措施的步骤，包括：对所述第一数据进行清洗、去噪、整合，形成结构化的第一数据集，将所述第一数据集作为大数据分析的基础数据源；

使用统计学和数据挖掘技术，对所述第一数据集进行分析以识别关键影响因素，并建立反映项目进度和风险的第一模型；

基于所述第一模型，开发风险识别算法，根据项目进度计划、质量要求规定动态识别潜在问题和风险，得到所述第一施工风险数据；

结合所述项目进度计划，识别工期和资源紧张的关键节点以及对所述项目进度计划整体影响最大的重要工序节点，并从所述关键节点和所述重要工序节点获取所述第一关键节点数据；

根据所述第一施工风险数据和所述第一关键节点数据，使用专家知识库，给出相应的应急预案、资源调度解决方案作为所述第一应对措施；

其中，所述使用统计学和数据挖掘技术，对所述第一数据集进行分析以识别关键影响因素，并建立反映项目进度和风险的第一模型的步骤，包括：通过域知识，从所述第一数据集中提取与项目进度和风险相关的第一特征变量；

使用统计方法识别所述第一特征变量之间的相关性，删除冗余变量得到第二特征变量；

采用机器学习方法分析各个所述第二特征变量的重要性，确定所述关键影响因素；

结合所述第二特征变量和所述关键影响因素，使用回归算法训练得到第一项目进度预测模型;结合所述第二特征变量和所述关键影响因素，使用分类算法训练得到第一风险分类模型；

将所述第一项目进度预测模型和所述第一风险分类模型融合为所述第一模型；

其中，所述根据所述第一施工模型，在施工现场安装多个物联网智能传感器用于在施工过程中采集第二数据的步骤，包括：根据所述第一施工模型确定模型对传感数据的数据输入需求；

根据所述数据输入需求，确定需要安装的传感器类型和各种传感器的传感器覆盖范围；

根据所述施工现场的工地面积、重要区域分布、所述传感器覆盖范围计算需要的传感器数量；

根据所述第一施工模型对不同区域数据需求、所述传感器类型、所述传感器数量，制定传感器的第一分布方案；

获取所述施工区域的电力供应数据、网络布线数据、网络覆盖数据；

根据所述电力供应数据、所述网络布线数据、所述网络覆盖数据，使用所述第一虚拟数字孪生模型模拟验证和修改所述第一分布方案，确保能够满足所述第一施工模型的所述数据输入需求；

根据所述第一分布方案安装多个所述物联网智能传感器进行所述第二数据的采集；

在施工过程中，根据所述第一施工模型的数据输入需求变化，动态调整传感器布局。

2.一种用于轨道交通工程数据分析的决策分析方法，其特征在于，包括：获取与轨道交通工程相关的第一数据；

根据所述第一数据构建包含所有轨道交通工程数据的第一虚拟数字孪生模型；

应用大数据技术，对所述第一数据进行汇总分析，得到第一施工风险数据、第一关键节点数据，并制定对应的第一应对措施；

根据所述第一虚拟数字孪生模型、所述第一施工风险数据、所述第一关键节点数据和所述第一应对措施，进行方案模拟和碰撞检测，得到多个第一施工方案；

结合所述第一数据和所述第一施工方案并运用深度学习算法训练得到包括施工指引模型、预测施工进度模型、质量风险模型、安全事故风险模型以及防范措施规划模型的第一施工模型；

根据所述第一施工模型，在施工现场安装多个物联网智能传感器用于在施工过程中采集第二数据；

根据所述第一施工模型和所述第二数据建立知识图谱和决策树，开发基于规则引擎和人工智能的施工决策辅助系统，提供决策建议；

其中，所述应用大数据技术，对所述第一数据进行汇总分析，得到第一施工风险数据、第一关键节点数据，并制定对应的第一应对措施的步骤，包括：对所述第一数据进行清洗、去噪、整合，形成结构化的第一数据集，将所述第一数据集作为大数据分析的基础数据源；

使用统计学和数据挖掘技术，对所述第一数据集进行分析以识别关键影响因素，并建立反映项目进度和风险的第一模型；

基于所述第一模型，开发风险识别算法，根据项目进度计划、质量要求规定动态识别潜在问题和风险，得到所述第一施工风险数据；

结合所述项目进度计划，识别工期和资源紧张的关键节点以及对所述项目进度计划整体影响最大的重要工序节点，并从所述关键节点和所述重要工序节点获取所述第一关键节点数据；

根据所述第一施工风险数据和所述第一关键节点数据，使用专家知识库，给出相应的应急预案、资源调度解决方案作为所述第一应对措施；

其中，所述使用统计学和数据挖掘技术，对所述第一数据集进行分析以识别关键影响因素，并建立反映项目进度和风险的第一模型的步骤，包括：通过域知识，从所述第一数据集中提取与项目进度和风险相关的第一特征变量；

使用统计方法识别所述第一特征变量之间的相关性，删除冗余变量得到第二特征变量；

采用机器学习方法分析各个所述第二特征变量的重要性，确定所述关键影响因素；

结合所述第二特征变量和所述关键影响因素，使用回归算法训练得到第一项目进度预测模型;结合所述第二特征变量和所述关键影响因素，使用分类算法训练得到第一风险分类模型；

将所述第一项目进度预测模型和所述第一风险分类模型融合为所述第一模型；

其中，所述根据所述第一施工模型，在施工现场安装多个物联网智能传感器用于在施工过程中采集第二数据的步骤，包括：根据所述第一施工模型确定模型对传感数据的数据输入需求；

根据所述数据输入需求，确定需要安装的传感器类型和各种传感器的传感器覆盖范围；

根据所述施工现场的工地面积、重要区域分布、所述传感器覆盖范围计算需要的传感器数量；

根据所述第一施工模型对不同区域数据需求、所述传感器类型、所述传感器数量，制定传感器的第一分布方案；

获取所述施工区域的电力供应数据、网络布线数据、网络覆盖数据；

根据所述电力供应数据、所述网络布线数据、所述网络覆盖数据，使用所述第一虚拟数字孪生模型模拟验证和修改所述第一分布方案，确保能够满足所述第一施工模型的所述数据输入需求；

根据所述第一分布方案安装多个所述物联网智能传感器进行所述第二数据的采集；

在施工过程中，根据所述第一施工模型的数据输入需求变化，动态调整传感器布局。

3.根据权利要求2所述的用于轨道交通工程数据分析的决策分析方法，其特征在于，所述基于所述第一模型，开发风险识别算法，根据项目进度计划、质量要求规定动态识别潜在问题和风险，得到所述第一施工风险数据的步骤，包括：收集历史项目风险案例，构建标准化的第一风险库；

获取项目实时进度和实时质量数据，根据所述第一风险库中的触发条件，匹配预计发生的第一风险类型；

利用所述第一风险分类模型，对匹配出的所述第一风险类型进行评估，得到第一风险评估结果；

利用所述第一项目进度预测模型，预测项目后续进度和完成时间，得到第一进度预测结果；

将所述第一风险评估结果与所述第一进度预测结果相结合，动态识别出能影响项目进度的所述第一施工风险数据；

将识别出的所述第一施工风险数据以结构化的数据集形式保存。

4.根据权利要求3所述的用于轨道交通工程数据分析的决策分析方法，其特征在于，所述结合所述项目进度计划，识别工期和资源紧张的关键节点以及对所述项目进度计划整体影响最大的重要工序节点，并从所述关键节点和所述重要工序节点获取所述第一关键节点数据的步骤，包括：从所述项目进度计划中提取出顶管施工进度计划；

识别所述顶管施工进度计划中包括地质条件数据、隧道埋深数据、隧道间距、顶管的始发与到达工程数据的关键点的数据作为所述第一关键节点数据。

5.根据权利要求4所述的用于轨道交通工程数据分析的决策分析方法，其特征在于，所述根据所述第一施工风险数据和所述第一关键节点数据，使用专家知识库，给出相应的应急预案、资源调度解决方案作为所述第一应对措施的步骤，包括：收集施工领域应急预案模板、资源调度方案示例，形成结构化的应急方案知识库；

根据所述第一施工风险数据，在所述应急方案知识库中确定匹配的第一应急预案模板；

根据所述第一关键节点数据和资源状态数据，确定匹配的第一资源调度方案；

对所述第一应急预案模板和所述第一资源调度方案进行评估，并根据评估结果调整完善所述第一应急预案模板和所述第一资源调度方案；

在所述第一虚拟数字孪生系统中模拟仿真所述第一应急预案模板和所述第一资源调度方案的执行效果；

根据所述执行效果对所述第一应急预案模板和所述第一资源调度方案进行调整，得到所述第一应对措施。

6.根据权利要求5所述的用于轨道交通工程数据分析的决策分析方法，其特征在于，所述根据所述第一虚拟数字孪生模型、所述第一施工风险数据、所述第一关键节点数据和所述第一应对措施，进行方案模拟和碰撞检测，得到多个第一施工方案的步骤，包括：将所述第一施工风险数据、所述第一关键节点数据导入所述第一虚拟数字孪生模型，进行关联和标注；

在所述第一虚拟数字孪生模型中设置资源、环境、施工流程的模拟参数，定义不同施工方案的模拟条件；

模拟执行不同的所述施工方案，计算每个所述施工方案的时间进度、资源利用率、风险排除效果；

在模拟过程中，使用碰撞检测算法，检查不同的所述施工方案在时间和空间上是否存在冲突；

根据模拟和碰撞检测结果，生成满足时间、资源、风险约束的多个可行施工方案，并对不同的所述可行施工方案进行定量和定性的评估分析从中确定多个所述第一施工方案。

7.根据权利要求6所述的用于轨道交通工程数据分析的决策分析方法，其特征在于，所述结合所述第一数据和所述第一施工方案并运用深度学习算法训练得到包括施工指引模型、预测施工进度模型、质量风险模型、安全事故风险模型以及防范措施规划模型的第一施工模型的步骤，包括：从所述第一数据中提取包括BIM数据、传感器数据、文档数据、视频数据、音频数据的第一施工数据；

从所述第一施工数据中提取出关于施工指引的数据，结合所述第一施工方案构建基于CNN神经网络的所述施工指引模型；

从所述第一施工数据中提取出关于工程进度和资源利用的数据，结合所述第一施工方案构建基于LSTM的所述预测施工进度模型；

从所述第一施工数据中提取出使用质量检查数据和质量要求数据，结合所述第一施工方案构建基于卷积神经网络的所述质量风险模型；

从所述第一施工数据中提取出安全记录数据和安全规范数据，结合所述第一施工方案训练出基于多模态的所述安全事故风险模型；

从所述第一施工数据中提取出使用历史防范措施数据和预设防范要求数据，结合所述第一施工方案构建基于知识图谱的所述防范措施规划模型；

融合所述施工指引模型、所述预测施工进度模型、所述质量风险模型、所述安全事故风险模型以及所述防范措施规划模型构建深度学习驱动的所述第一施工模型。