1.考虑驾驶员风格的IDM‑LSTM组合型跟车模型建立方法，其特征在于，包括如下步骤：步骤1、通过车载雷达、摄像头等传感器获取驾驶员实车跟驰数据，即跟驰过程中的前后车信息；

步骤2、将步骤1中获得的前后车信息输入IDM预测模型，对驾驶员的跟车参数进行标定；所述前后车信息包括一段时间序列内的主车加速度、主车车速、前后车距和前后车速差，所述跟车参数包括IDM预测模型中的期望最大减速度a0、期望最大加速度b、期望速度v～、期望车头时距T～和最小安全车头距离S0；

步骤3、根据步骤2中通过IDM预测模型标定的跟车参数，通过离线驾驶员风格分类模型对驾驶员风格进行在线辨别。

步骤4、依据步骤1中获得的前后车信息输入LSTM神经网络离线预测模型，得到LSTM神经网络模型的预测输出。

步骤5、依据步骤1中获得的前后车信息输入IDM预测模型，得到IDM模型的预测输出；所述IDM预测模型的跟车参数为步骤2标定出的参数。

步骤6、依据步骤3确定驾驶员风格后，选取该驾驶员风格下的最优加权系数,通过最优加权系数对步骤4得到的LSTM预测模型的输出与步骤5得到的IDM预测模型的输出进行加权，得到融合驾驶员风格的期望加速度，并基于该期望加速度进行跟车控制。

2.根据权利要求1所述的考虑驾驶员风格的IDM‑LSTM组合型跟车模型建立方法，其特征在于，构建的IDM预测模型表示为：式中，an(t)为t时刻主车加速度，a0为期望最大减速度，vn(t)为t时刻主车车速， 为期望速度，vn‑1(t)为t‑1时刻主车车速，sn(t)为t时刻前后车距， 为期望车头间距，S0为最小安全车头距离，为期望车头时距，Δv(t)为t时刻前后车速差，b为期望最大加速度，λ为加速度系数。

3.根据权利要求2所述的基于所构建的IDM预测模型，其特征在于，对驾驶员的跟车参数进行标定的方法为：

将跟车参数作为寻优对象，则将优化问题可转换成：real sim

其中，J为适应度函数，Yi ,Yi 分别为第i个变量的实际值与仿真值，N为变量的总数；

同时根据跟车参数的动力学约束范围得到优化问题的约束条件，表示为：

2 2

‑4m/s≤a0≤‑0.1m/s

2 2

0.1m/s≤b≤4m/s

0.1m≤S0≤30m

基于上述约束条件对不同驾驶员的跟车参数进行标定。

4.根据权利要求1所述的离线驾驶员风格分类模型，其特征在于，构建离线驾驶员风格分类模型的方法：

首先，基于NGSIM公开跟驰数据集获取到不同驾驶员的跟驰数据，利用主成分分析对标定出的不同驾驶员的IDM预测模型跟车参数进行处理，获取到最具代表性的两个跟车参数，再使用模糊C均值聚类算法对主成分分析处理后的跟车参数进行聚类，基于聚类结果将驾驶员风格分为激进型、一般型与保守型；再依据聚类得到的不同风格驾驶员的边界进行多项式拟合，即可得到驾驶员风格分类的数学模型。

5.根据权利要求1‑4中任意一项权利要求所述的基于所构建的LSTM离线预测模型，其特征在于，所述LSTM预测模型包括1个输入层、2个LSTM层和1个输出层组成，输入层节点有6个，分别为前车车速、主车车速、车速差、前车加速度、主车加速度与车距；输出层节点有1个，为主车的加速度；LSTM层内的神经元个数为30个，学习率为0.05，学习步数为8000。

6.根据权利要求1所述的IDM预测模型，其特征在于，所述IDM模型的跟车参数为根据实车信息标定出的驾驶员跟车参数，包括期望最大减速度a0、期望最大加速度b、期望速度期望车头时距 和最小安全车头距离S0。

7.根据权利要求1所述的基于所构建的IDM‑LSTM组合预测模型，其特征在于，步骤6中LSTM预测模型与IDM预测模型相融合的方法及融合时采用的加权系数整定的方法。

LSTM预测模型与IDM预测模型相融合的方法为：其中， 为t时刻融合后的预测值，β1、β2分别为IDM预测模型与LSTM预测模型的加权系数，且满足β1+β2＝1，， 分别为t时刻两模型加权前的预测值，。

LSTM预测模型与IDM预测模型相融合的加权系数整定的方法为：选取各风格驾驶员聚类中心的驾驶员，选取其IDM预测模型主观参数，定义此时的IDM模型输出为风格加速度 结合最优加权理论，可得到融合驾驶员风格的最优加权模型的目标函数：

其中，E'为加权误差，et为t时刻两预测模型加权后的误差之和，a(t)为t时刻加速度的真实值，e1t、e2t分别为t时刻两预测模型的误差值；对不同风格驾驶员的加权系数的求解可转化为：在时间段T内，E'取最小值时，对β1与β2的寻优问题；利用遗传算法进行寻优，求解最优加权模型的目标函数，得到各风格驾驶员类型对应的最优加权系数组合。

8.根据权利要求5所述的基于所构建的IDM预测模型，其特征在于，对获取跟驰数据进行平滑处理。