1.基于深度强化学习的瓶颈区换道控制方法，其特征在于，包括：S1、沿车辆行驶方向依次将路网划分为换道区和瓶颈区，将所述换道区设置为环境，观测所述环境，并获取t时刻所述环境的整体状态st；

S2、构建代理，所述代理通过ε‑贪婪策略确定整体状态st下t时刻的换道动作at；

S3、代理执行所述换道动作at，并获取执行所述换道动作at后各车道的车辆密度，根据各车道的车辆密度确定t时刻的奖励rt，并获取所述环境在t+1时刻的整体状态st+1；

S4、将整体状态st、换道动作at、奖励rt、整体状态st+1整合成经验并存入经验回放池中，使用所述经验回放池中的经验训练代理；

S5、重复步骤S1至步骤S4的环境与代理交互训练直至达到最大迭代次数，此时，所述代理得到最优换道控制行动的Q值表。

2.根据权利要求1所述的基于深度强化学习的瓶颈区换道控制方法，其特征在于，所述换道区包括4条车道，将4条车道从右至左依次编号为0、1、2、3。

3.根据权利要求2所述的基于深度强化学习的瓶颈区换道控制方法，其特征在于，观测所述环境，并获取t时刻所述环境的整体状态st具体包括：分别获取所述换道区各条车道在t时刻的车辆密度，并采用向量Si,j(t)表示t时刻第i区域的第j条车道的车辆密度；

其中，所述换道区包括非控制区和控制区，i＝0表示非控制区，i＝1表示控制区；

此时，将t时刻的所述环境的整体状态st表示为st＝{S0,0(t),S0,1(t),…,S1,2(t),S1,3(t)}。

4.根据权利要求3所述的基于深度强化学习的瓶颈区换道控制方法，其特征在于，所述代理通过ε‑贪婪策略确定整体状态st下t时刻的换道动作at具体包括：构建换道比例值，所述换道比例值包括0、0.1、0.2、0.3；

采用向量Mk(t)表示t时刻在第k个换道比例值下参与换道车道的换道动作；

此时，整体状态st下t时刻的换道动作at表示为at＝{M0(t),M1(t),M2(t),M3(t)}。

5.根据权利要求4所述的基于深度强化学习的瓶颈区换道控制方法，其特征在于，所述参与换道车道包括0号车道、1号车道和2号车道。

6.根据权利要求1所述的基于深度强化学习的瓶颈区换道控制方法，其特征在于，代理执行所述换道动作at，并获取执行所述换道动作at后各车道的车辆密度具体包括：部署路侧单元，通过所述路侧单元收集t时刻各车道的车流量和平均车速；

对所述车流量和所述平均车速进行计算，得到t时刻各车道的车辆密度。

7.根据权利要求6所述的基于深度强化学习的瓶颈区换道控制方法，其特征在于，根据各车道的车辆密度确定t时刻的奖励rt之前还包括：构建t时刻的奖励函数，所述t时刻的奖励函数构建如下：

rn(t)＝|ΔD(t‑1)|‑|ΔD(t)|

其中，rn(t)为t时刻的奖励函数，ΔD(t)为t时刻的密度差值，ΔD(t‑1)为t‑1时刻的密度差值。

8.根据权利要求7所述的基于深度强化学习的瓶颈区换道控制方法，其特征在于，所述t时刻的密度差值表示如下：其中，dj表示第j条车道的车辆密度，表示平均车道密度。

9.电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8任一所述的基于深度强化学习的瓶颈区换道控制方法。

10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8任一所述的基于深度强化学习的瓶颈区换道控制方法。