1.一种基于深度迁移学习的列队混动卡车CACC能量管理方法，其特性在于，包括：基于VGG网络构建深度迁移学习神经网络模型；

利用所述神经网络模型分别提取前一阶段短时行驶工况片段特征参数作为所述模型的输入和后一阶段短时行驶工况片段对应的最优SOC轨迹的特征数据作为所述模型的输出；

基于所述最优SOC轨迹的特征数据得到参考SOC轨迹，根据神经网络状态迁移得到所述列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹；

根据所述参考SOC轨迹及所述最优跟车车速轨迹实时预测控制下一阶段短时行驶工况内实际SOC轨迹跟随所述最优SOC轨迹，实现列队混动卡车CACC能量管理。

2.如权利要求1所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述VGG网络包括13个卷积层、5个池化层、3个全连接层和Softmax层。

3.如权利要求2所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述深度迁移学习神经网络模型由六元组组成包括两个并行网络，具体包括初次特征提取和二次特征提取。

4.如权利要求3所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述第一并行网络包括，M＝(V1,V2,D,C,P,S)其中，V1、V2表示特征提取函数，D表示全连接函数，C表示卷积函数，P表示池化函数，S表示Softmax分类函数。

5.如权利要求1～4任一项所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述特征提取函数包括，V1(I)＝R

其中,R∈RE×F,V1(.)表示特征空间映射，所述V1(.)将输入的工况片段特征参数信息I变换成一个E×F维度的特征。

6.如权利要求4所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述全连接函数包括，

D(R)＝T

其中，D(.)将E×F维的数据转换为EF×1维度的数据。

7.如权利要求4所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述卷积函数包括，

其中，i和j表示矩阵的行和列索引，K表示卷积核，P表示池化函数。

8.如权利要求4所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述池化函数包括，

9.如权利要求8所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述前一阶段短时行驶工况片段特征参数提取途径包括环境感知、DSPC、GIS以及GPS。

10.如权利要求9所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述实时预测控制过程包括，将列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹作为参考跟车车速轨迹输入到模型预测控制中；

以车辆加速度、电机扭矩以及发动机转速为控制变量，增加扰动观测器和史密斯预估器对扰动变量进行优化。