1.一种基于高斯过程回归的智能网联车辆前车加速度预测方法，其特征在于所述方法包括如下步骤：

1)选择训练集样本，在t时刻测得前车的n个历史时刻加速度数据a(t‑n),a(t‑n+

1),…,a(t‑1)，令时间xi＝t‑n‑1+i，加速度样本值yi＝a(t‑n‑1+i),i＝1,2,…,n，令X＝{x1,x2,…,xi}表示为在当前时刻t的历史n个时刻，Y＝{y1,y2,…,yi}表示为在当前时刻t测得的n个历史时刻前车的加速度数据；将X作为训练集的输入，Y作为训练集的输出，其中Y服从高斯分布，参见式(1)：

Y＝F(X,X)～N(M(X,X),K(X,X))  (1)其中，符号“～”表示“服从”，符号“N”表示“高斯分布”，F(X,X)是描述Y的随机过程，M(X,X)为F(X,X)的均值矩阵，K(X,X)为F(X,X)的协方差矩阵，通过协方差函数k(xa,xb)计算得到，其中，变量xa∈X和xb∈X，协方差函数k(xa,xb)取为平方指数函数型，参见式(2)：其中， 为样本方差，l为方差尺度；

2)计算训练集输入样本X的协方差矩阵K(X,X)，参见式(3)：

3)令参数 计算θ的对数似然函数L(θ)，参见式(4)：其中，符号“log”表示以10为底的对数，|K(X,X)|表示矩阵K(X,X)的行列式，对公式(4)*

采用牛顿法求取θ的最优值，得θ；

4)选择测试集样本，在t时刻，令时间 和加速度样本值 i＝1,2,...,n，令 表示为在当前时刻t的未来n个时刻， 表示为在当前时刻t预测的未来n个时刻的加速度数据，将 作为测试集的输入，预测 的值，其中 服从高斯分布，参见式(5)：

其中， 是描述 的随机过程， 为 的均值矩阵， 为的协方差矩阵，通过协方差函数 计算得到，参见式(6)：其中，最优值 由公式(4)得到，变量

5)训练集输出F(X,X)和测试集输出 服从联合高斯分布，参见式(7)：其中， 为测试集输入 的协方差矩阵， 为测试集输入 与训练集输入X的协方差矩阵， 为矩阵 的转置矩阵；

6)计算测试集输入 的协方差矩阵 参见式(8)：其中，函数 由公式(6)计算得到，变量i＝1,...,n和j＝1,...,n；

7)计算测试集输入 与训练集输入X的协方差矩阵 参见式(9)：其中，函数 由公式(6)计算得到，变量i＝1,...,n和j＝1,...,n；

8)参照公式(7)联合高斯分布，根据高斯分布性质得到 的条件分布参见式(10)：

9)对 的预测，用条件分布的均值作为 估计值，参见公式(11)：

10)在下一时刻t+1，重新测得前车的新历史n个时刻的加速度值，重复步骤1)～9)即可在下一时刻来预测未来n个时刻的前车加速度值，同时取预测值的第一个作为下一时刻的预测参考值，如此周而复始，即可实现在线预测前车加速度的值，并不断修正预测偏差。