1.基于元学习的网联车辆速度预测方法，其特征在于：利用归一化方法对网联车辆驾驶数据进行预处理以及构建预测模型的学习任务集；结合元学习方法构建时间‑通道注意力卷积网络速度预测模型以提高预测模型的适应性；将所述基于元学习的网联车辆速度预测模型在大量的学习任务上展开学习并得到元学习器；将元学习器在新道路环境下通过少量数据进行几轮训练即可生成适应新环境的时间‑通道注意力卷积网络的参数并可达到很高的预测精度；

具体步骤如下：

步骤1，采集网联车辆交通信息，对交通驾驶数据进行max‑abs归一化预处理；选取预测模型的输入特征，构建学习任务集；

步骤2，构造时间‑通道注意力卷积神经网络速度预测模型；

步骤3，构造基于元学习的网联车辆速度预测模型；

步骤4，利用大量学习任务数据集对基于元学习的网联车辆速度预测模型进行训练，获得元学习器；

步骤5，利用少量新任务的训练数据对元学习器进行训练，得到时间‑通道注意力卷积神经网络模型的网络参数。

2.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤

1具体如下：

步骤1‑1，在不同的交通道路环境中采集交通网联车辆信息；

步骤1‑2，对原始数据X(t)进行max‑abs归一化预处理，得到归一化数据X′(t)，其中max‑abs可由下式表示：式中，x∈X(t)，x′∈X′(t)；abs(X(t))表示原始数据的绝对值，max(·)表示数据中的最大值；

步骤1‑3，选取预测模型的输入特征，包括本车速度、本车加速度、前车速度、前车加速和两车之前的距离；

步骤1‑4根据不同道路的概率分布，从归一化后的数据中随机选择若干条交通道路数据，构成任务训练集和测试集；并多次选择单个任务，构成任务数据集。

3.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤

2具体如下：

步骤2‑1，构造时间注意力单元TA：

ΦTA(V)＝fTA(V,α)

式中，V＝[v1,v2,…,vC]为TA单元的输入；α为时间注意力权值；softmax是一种激活函数；σ(·)和δ(·)分别表示Sigmoid和Selu激活函数； 和 分别是卷积层的权重和偏置参数；fTA(·)为特征图和其对应时间注意权重的元素乘法；ΦTA(·)表示TA模块；

步骤2‑2，构造通道注意力单元CA：

ΦCA(V)＝fCA(V,β)

式中， 和 分别为最大池化MaxPool(·)和平均池化AvgPool(·)表征；

和 表示卷积层权重参数； 和 表示卷积层

偏置参数；β为通道注意力掩码；fCA(·)为特征图和其对应的通道注意力权重的元素乘法；

ΦCA(·)表示CA单元；

步骤2‑3，构建TCAM模块：

VTA＝ΦTA(V)

VCA＝ΦCA(V)

Φ(V)＝WΦ*[VTA,VCA]+bΦ

式中，VTA和VCA分别表示TA和CA单元的输出；[·]表示特征拼接操作；MI和Mo表示TCAM模型的输入和输出； 和R(·)分别代表TCAM模块和残差分支； 和 分别表示在残差分支中卷积层的权值和偏置参数；

步骤2‑4，构建CNN‑TCAM网络：

CNN‑TCAM网络由四个相同的卷积结构、一层Flatten层和一层Dense层构成；其中，每个卷积结构由一层一维卷积、一个TCAM模块和一层最大池化层依次连接而成。

4.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤

3中，将CNN‑TCAM网络作为车速预测基础网络模型，MAML算法作为元学习算法，将两者融合一起构造基于元学习的网联车辆速度预测模型。

5.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤

4具体如下：

步骤4‑1，初始化CNN‑TCAM网络f的参数θ、MAML内层循环学习率α和外层循环学习率β；

步骤4‑2，从任务集中随机选择一批任务T＝{T1,T2,…,Tbatch_size}；

步骤4‑3，使用任务数据中的训练数据对CNN‑TCAM网络进行训练，使每个任务Ti均会得到网络参数θi，计算公式如下:式中， 为模型f的损失函数L的梯度；

步骤4‑4，使用任务数据中的测试数据对CNN‑TCAM网络中的参数θ进行更新，计算公式如下：满足停止条件则训练结束得到元学习器，否则返回步骤4‑2继续训练。

6.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤

5中在新的交通道路中，学习器通过少量的交通数据及几轮训练即可生成使CNN‑TCAM网络适应新道路的网络参数。