1.一种基于驾驶人特性的自适应换道预警算法，其特征在于，包括如下步骤：步骤1，确定换道预警模型，修正换道参数：步骤1.1，针对车辆换道场景提出报警阈值动态可调的换道预警模型；步骤1.2，修正换道预警模型中的换道参数；

步骤2，在线实时辨识换道预警模型参数；

步骤3，搜索最佳报警阈值，并判断系统报警状态，建立报警阈值评价体系：步骤3.1，根据换道行为数据库中历史记载的换道数据对换道行为作出判断；步骤3.2，对换道预警模型搜索最佳报警阈值，并判断系统报警状态；步骤3.3，对当前的报警阈值建立合理的评价体系。

2.根据权利要求1所述的一种基于驾驶人特性的自适应换道预警算法，其特征在于，所述步骤1.1具体包括:根据虚拟弹簧理论，假定换道车辆与前车保持安全车间距，同时考虑换道车辆与目标车道前、后车之间的避撞问题，假设跟车时距THW，避撞时间倒数TTCi，模型参数有驾驶员期望的跟车时距THWd，敏感系数Cd、Cv，危险感知系数DR(k)的计算方式如下:ades(k)表示换道车辆k时刻的期望加速度，vego(k)表示换道车辆k时刻的速度，及 为修正后的换道参数；

上述危险感知系数DR(k)能够作为换道预警模型，用于判断当前换道是否处于危险状态。

3.根据权利要求2所述的一种基于驾驶人特性的自适应换道预警算法，其特征在于，所述步骤1.2具体包括:采用动态权重分配方法定量评估各车影响程度大小，引入换道过程中的车辆速度关联度、换道安全系数以及横向偏移作为权重分配的判断指标，对换道参数THW(k)、TTCi(k)进行修正，其中，j代表原车道前车、目标车道前车以及目标车道后车；δj代表相应的权重，权重系数的确定方法如下，步骤1.2.1,确定各个指标的归一化值，

速度关联度：

规定速度关联度的归一值有low、moderate、high三个等级，对应表示协同车辆与自车的速度关联度较小、中等或较大；

横向偏移：

offset(i)＝PSV(k)-Pt(k)|t∈{LV,AFV,ALV}   (4)PSV(k)表示换道车辆k时刻的横向位置，Pt(k)表示周围车辆k时刻的横向位置；

规定横向偏移的归一值有near、medium、far三个等级，对应周围协同车辆与自车的横向位置的偏差较近、适中及较远；

换道安全系数：

规定换道安全系数的归一值有low、moderate和high三个等级，对应换道安全系数较低、中等及较高三个等级；

其中，gk(i)是灰色关联度分析中的关联度系数，n为周围车辆个数，P(i)是车辆的横向位置，LV，AFV，ALV分别是原车道前车，目标车道后车以及目标车道前车，d0是自车与周围车辆的实际纵向距离，dsafe是两车间的临界安全距离；

步骤1.2.2,依据设定的模糊计算规则，选择高斯函数作为权重系数δj的等级表达，步骤1.2.3,采用重心法解模糊得到权重系数δj定量表达，利用公式(2)得到修正后的换道参数

4.根据权利要求2所述的一种基于驾驶人特性的自适应换道预警算法，其特征在于，所述步骤2具体包括:步骤2.1，根据递推极大似然估计，利用驾驶人换道特性的在线学习数据，确定预警模型参数，系统模型表示为如下向量方程，Y＝φθ+e   (7)

其中，Y是观测量，作为系统的输出，φ是系统输入量，θ是参数变量，e是期望为零的高斯白噪声,根据公式(1)推导可得，θ＝[Cd Cd·THWd Cv]T   (8)进一步，得到对应的似然函数，

对上式(9)未知参数求偏导，并令所求偏导为0；

步骤2.2，根据递推的极大似然估计，每观测一次新数据，实时计算当前最新模型参数，计算方法如下，其中， 为k时刻的实时极大似然估计值， 为预测误差，G(k)为增益矩阵，γk为遗忘因子。

5.根据权利要求4所述的一种基于驾驶人特性的自适应换道预警算法，其特征在于，所述步骤2还包括：遗忘因子γk取值0.95,迭代计算的终止条件Δm为：其中，ε是适当小的数，规定当三个参数的变化波动较小时，递推停止。

6.根据权利要求1所述的一种基于驾驶人特性的自适应换道预警算法，其特征在于，所述步骤3.1具体包括:根据换道行为数据库中历史记载的换道数据划分目标车道后车的危险程度，判断当前换道行为是否安全：后车减速度值较小，即后车基本匀速或略有加速表明车辆换道行为对目标车道后车的影响小，换道行为安全，相反则说明换道行为不安全；

2

1)自车换道过程中，目标车道后车最大加速度小于-4m/s ,后车状态评估为危险；

2)自车换道过程中，目标车道后车最大加速度大于-4m/s2且小于-1m/s2,后车状态评估为较危险；

3)自车换道过程中，目标车道后车最大加速度大于-1m/s2,后车状态评估为安全。

7.根据权利要求1所述的一种基于驾驶人特性的自适应换道预警算法，其特征在于，所述步骤3.2具体包括:表征判别属性适应程度的信息熵表示为，

其中，Di＝{D1,D2,D3,…Dk}表示特征属性，这里取k＝3，分别表示判别结果为安全、较危险、危险，P(Di,X)表示判别结果为Di的分类样例占集合总数X的比例，将较危险状态的DR值作为区间值属性的条件属性Ci＝{C1,C2,…Cn}，并计算Ci中的最优割点，对选定区间上每一个备选割点P，训练数据集被分割成S1、S2、S3，分割的信息熵定义为Sj(j＝1,2,3)的类信息熵的加权平均：其中，Entr(Sj)由上式(13)计算得出；在所有的备选割点中选取使得E(C,P；S)达到最小*值的P，即为特征属性Ci的最优割点，从而得到最优阈值：DRs＝Ci'(P*)    (15)

即当实时危险感知值DR(i)∈DRs时，表明当前处于较危险状态，系统进入一级报警模式；当DR(i)＜RPs，则当前为危险状态，系统进入二级报警模式；当DR(i)＞DRs时，即为安全状态。

8.根据权利要求1所述的一种基于驾驶人特性的自适应换道预警算法，其特征在于，所述步骤3.3具体包括:对预警系统的评判结果分类，有以下四种情况：

1)实际情况是正常换道时，系统却发出警报，

2)实际情况是危险换道时，系统并没有发出警报，

3)实际情况是正常换道时，系统没有发出警报，

2)实际情况是危险换道时，系统发出警报；

当情况1)加上情况2)的案例占比大于8％，系统依据现存数据库对最优阈值进行重新搜索。