1.一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，其特征在于，包括如下步骤：获取各个驾驶人在跟驰工况下的车辆状态数据，并输入数据库中，建立底层GMM‑PDF模型数据库和顶层GMM‑HMM模型数据库，具体包括如下步骤：获取实验数据：在实验车上装配毫米波雷达、速度传感器、视频影像传感器和GPS设备；

采集到的数据参数 其中，所述速度传感器用于采集第t时刻的主车的速度 第t时刻的主车的加速度 第t时刻的前车的速度 和第t时刻的前车的加速度 所述毫米波雷达和视频影像传感器用于采集第t时刻的两车跟驰车头间距 和第t时刻的两车相对车速Δvt；第t时刻的跟驰时距XTHWt和第t时刻的碰撞时间倒数XTTCit通过对第t时刻的两车相对跟驰车头间距 和跟驰时间计算得出；

对采集到的实验数据进行预处理：采用指数滑动平均法对实验数据进行平滑处理，利用区间估计法去除异常数据，并根据设定规则提取跟驰工况下数据，作为顶层GMM‑HMM模型数据库，其中设定规则如下：

1)跟车距离100m以内；

2)跟车时长不低于40s；

3)主车速度高于10km/h；

提取底层GMM‑PDF模型数据库：在顶层模型数据库中，以两车速度差小于2m/s作为限定条件，提取底层GMM‑PDF模型数据库；

建立底层GMM‑PDF模型，获得期望跟驰车头间距特征参数；

通过统计学方法确定具有差异性的个性化驾驶人跟驰行为特征参数，建立顶层GMM‑HMM模型。

2.根据权利要求1所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，其特征在于，建立底层GMM‑PDF模型，获得期望跟驰车头间距特征参数，具体包括如下步骤：建立底层GMM‑PDF模型：

将底层GMM‑PDF模型数据库的参数 作为底层GMM‑PDF模型的输入，其中ξt为第t时刻的跟驰行为下车辆轨迹参数， 为第t时刻的实际跟驰车头间距；

利用高斯混合模型对稳定跟驰工况下的数据进行拟合，得到ξt和 的联合概率密度函数，表示为：其中，K为高斯模型分量的个数；

πk为第k个高斯模型的权重，πk≥0，

μk为第k个高斯模型分量的均值；

∑k分别为第k个高斯模型分量的协方差矩阵；

θ为高斯混合模型中待定参数，θ＝{πk,μk,Σk}；

为第k个高斯模型分量的分布密度，表示为：

式中：d为数据维度；

训练模型和预测第t时刻的个体驾驶人期望跟驰车头间距 将模型参数θ通过期望最大化算法估计，期望跟车距离的估计基于PDF算法令底层GMM‑PDF模型的概率密度函数最大化：Δd

其中：A 为跟车距离可能的取值， 其中 为 的最小值；

为 的最大值。

3.根据权利要求2所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，其特征在于，通过统计学方法确定具有差异性的个性化驾驶人跟驰行为特征参数，建立顶层GMM‑HMM模型，具体包括：对顶层GMM‑HMM模型数据库中所有特征指标 进行Kruskal‑Wallis H检验，得到各个特征的检验结果Sig值，取Sig值小于0.01时的特征作为个性化跟驰行为指标；将 作为顶层GMM‑HMM模型的输入值，其中ξt′为中的个性化跟驰行为指标； 为第t时刻的实际主车加速度；

构建顶层GMM‑HMM模型：使用顶层GMM‑HMM模型数据库中的训练集训练相应驾驶人的高斯混合模型，将高斯混合模型中的高斯模型分量表示为隐马尔可夫模型的隐含状态Q＝{N1,N2,...,Ni,...Nj,...NR}，其中i,j为中间状态数，且无先后顺序；R为总状态数；

隐马尔科夫模型表示为λ＝(Π,Ψ,γ)，其中 为初始状态概率分布的R阶向量，其中S表示为状态；

为R×R阶状态转移矩阵，其中 表示从隐含状态Ni转移到状态Nj的概率；

γ＝{γj(xt′)}R×M为隐含状态j条件下生成观测数据xt′的概率的R×M阶矩阵，M为观测数据总数；其中：隐含状态j条件下生成观测数据xt′的概率 式中：μj为第j个高斯模型分量的均值；∑j为第j个高斯模型分量的协方差矩阵；

训练顶层模型：基于输入参数 其中ξt′为第t时刻跟车行为显著性差异参数， 为第t时刻实际主车加速度，使用Baum‑Welch算法来估计不同风格驾驶人的HMM模型参数，通过计算下一时刻使概率密度函数 的值最大的参数来预测车辆加速度式中：ξ1:t′表示已知第1时刻到第t时刻的跟车行为显著性差异参数； 表示已知第1时a刻到第t时刻的主车加速度；αt(i)为第t时刻的前向概率；A 为主车加速度可能的取值，ξt+1′为第t+1时刻跟车行为显著性差异参数， 为第t+1时刻主车预测加速度。