1.一种基于边云协同的山区公路行车安全预警方法，其特征在于，包括如下步骤：
将道路划分为多个路段区间，获取每个路段区间的位置数据、历史事故数据和历史风险指标数据；
根据所述位置数据、历史事故数据和历史风险指标数据，构建每个路段区间的路段行车风险评估模型；
获取车辆的实时位置信息和实时风险指标数据；
根据所述实时位置信息，获取当前路段的路段行车风险评估模型；
将所述实时风险指标数据输入当前路段的路段行车风险评估模型，得到实时行车风险事故率；
根据所述实时行车风险事故率生成预警指令。
2.根据权利要求1所述的基于边云协同的山区公路行车安全预警方法，其特征在于，所述获取每个路段区间的历史风险指标数据，具体包括：
确定风险评估指标；
根据所述风险评估指标，获取每个路段区间的历史风险指标数据；
所述风险评估指标包括一级风险评估指标和二级风险评估指标，所述一级风险评估指标分别为道路状况指标、行车环境指标、驾驶员指标和车辆指标，每个一级风险评估指标包括多个二级风险评估指标。
3.根据权利要求2所述的基于边云协同的山区公路行车安全预警方法，其特征在于，所述确定风险评估指标之后，还包括：
按风险等级，将每个风险评估指标划分为四个风险等级，四个风险等级分别对应于四个风险值。
4.根据权利要求3所述的基于边云协同的山区公路行车安全预警方法，其特征在于，根据所述位置数据、历史事故数据和历史风险指标数据，构建每个路段区间的路段行车风险评估模型，具体包括：
将每个路段区间的历史事故数据和历史风险指标数据分别输入神经网络训练模型中进行训练，得到每个路段区间的路段行车风险评估模型，该路段行车风险评估模型用于评估对应路段区间的行车风险事故率；
根据每个路段区间的位置信息，将路段行车风险评估模型存储在云平台中。
5.根据权利要求4所述的基于边云协同的山区公路行车安全预警方法，其特征在于，所述将每个路段区间的历史事故数据和历史风险指标数据分别输入神经网络训练模型中进行训练之前，还包括：
根据所述风险值，将所述风险评估指标对应的历史风险指标数据进行归类；
将每个路段区间的历史事故数据和归类后的历史风险指标数据分别输入地理探测器中，获得每个路段区间的风险评估指标的重要度值；
根据所述重要度值，对每个路段区间的风险评估指标进行重要度排序；
取每个路段区间的重要度排序中重要度较大的预设个数的风险评估指标作为该路段区间的路段风险评估指标；
根据所述路段风险评估指标，获取每个路段区间的训练样本和测试样本；
将每个路段区间的历史事故数据和训练样本分别输入神经网络训练模型中进行训练，得到每个路段区间的路段行车风险评估模型。
6.根据权利要求2所述的基于边云协同的山区公路行车安全预警方法，其特征在于，
所述道路状况指标下的二级指标分别包括平曲线半径、竖曲线半径、纵坡坡度、纵坡坡长、车道宽度、车道数、路面状况、路肩宽度、路测设施、交通构造物、桥梁情况、隧道情况、互通立交情况和不利组合情况；所述行车环境指标下的二级指标分别包括：能见度、天气状况和交通量；驾驶员指标下的二级指标分别包括驾驶员年龄、驾驶员驾龄、驾驶员性别、驾驶员视觉和驾驶员驾驶习惯；所述车辆指标下的二级指标分别包括车辆类型、车辆性能和行驶时间和车辆速度。
7.根据权利要求5所述的基于边云协同的山区公路行车安全预警方法，其特征在于，所述神经网络为bp神经网络、ga-bp神经网络和pso-bp神经网络。
8.根据权利要求7所述的基于边云协同的山区公路行车安全预警方法，其特征在于，将每个路段区间的历史事故数据和训练样本分别输入bp神经网络、ga-bp神经网络和pso-bp神经网络中进行训练，分别得到每个路段区间的bp神经网络预测模型、ga-bp神经网络预测模型和pso-bp神经网络预测模型；
将所述测试样本分别输入bp神经网络预测模型、ga-bp神经网络预测模型和pso-bp神经网络预测模型中进行进行测试，分别得到每个神经网络预测模型的误差值，选择误差值最小的预测模型作为所述路段区间的最优预测模型。