1.一种智能驾驶车辆高效节能方法，其特征在于：包括如下步骤：

步骤10.车辆控制后台收集路段训练数据以及决策速度训练数据；

步骤20.车辆控制后台获取决策速度训练数据并生成训练四元组集合；

步骤30.车辆控制后台获取路段训练数据训练出估算第i个节能速度值的机器学习模型，并基于训练四元组集合训练出在检测到不良驾驶环境时，决策是否使用替代行驶速度的深度强化学习模型；

步骤40.车辆控制后台将机器学习模型和深度强化学习模型加载至待控制智能驾驶车辆的车辆控制后台；待控制智能驾驶车辆根据规划路线数据智能驾驶时，车辆控制后台实时监测前进方向的道路是否存在不良驾驶环境；若存在不良驾驶环境，转至步骤50；若不存在不良驾驶环境，则继续监测；

步骤50.车辆控制后台收集路段特征数据，并基于路段特征数据以及机器学习模型计算前进方向的驾驶环境；

步骤60.车辆控制后台生成替代行驶速度，基于替代行驶速度、行驶速度以及深度强化学习模型，输出是否使用替代行驶速度的决策。

2.根据权利要求1的一种智能驾驶车辆高效节能方法，其特征在于：路段训练数据是由测试的智能驾驶车辆在不同路段中采集得到，路段训练数据包括路段特征数据与路段特征数据对应的节能速度值；路段特征数据包括道路曲率、道路坡度与路面湿度；

道路曲率为智能驾驶车辆的行驶道路的曲率；道路坡度通过倾角传感器进行实时获取；路面湿度通过智能驾驶车辆上的湿度传感器实时获取。

3.根据权利要求2的一种智能驾驶车辆高效节能方法，其特征在于：节能速度值获取的方法为：获取若干辆智能驾驶车辆行驶经过第i个路段的平均速度，以及行驶经过第i个路段的能耗，平均速度与能耗均通过智能驾驶车的相关传感器取得；

一一获取第i个路段上若干组平均速度与若干组平均速度对应的能耗值的比值，将比值最小对应的平均速度标记为节能速度值。

4.根据权利要求3的一种智能驾驶车辆高效节能方法，其特征在于：基于路段训练数据训练出预测节能速度值的机器学习模型，训练方法为：将每组路段特征数据作为机器学习模型的输入，机器学习模型以对每组路段特征数据对应的节能速度值为输出，以路段训练数据中路段特征数据对应的节能速度值为预测目标，以最小化所有节能速度值的预测误差作为训练目标；对机器学习模型进行训练，直至预测误差达到收敛时停止训练，训练出根据路段特征数据输出预测的节能速度值的机器学习模型；机器学习模型是多项式回归模型或SVM模型中的一种；预测误差的计算公式为：以最小化为目标来训练机器学习模型，其中，r为路段特征数据的组号，R为路段特征数据组数，W为预测误差，Yr为第r组路段特征数据对应的预测的节能速度值，Sr为第r组路段特征数据对应的实际的节能速度值。

5.根据权利要求4的一种智能驾驶车辆高效节能方法，其特征在于：决策速度训练数据包括第i个路段对应的行驶速度、行车危险系数、替代行驶速度、车辆重力以及速度决策；

获取第i个路段驾驶环境数据，并对驾驶环境数据并进行归一化处理获得行车危险系数；

行车危险系数生成过程包括：

驾驶环境数据包括车流量、i个路段交通标志对应的速度及行车安全距离；

将车流量、i个路段交通标志对应的速度及行车安全距离，分别标记为Ci、Bi、Ai；

将车流量Ci、i个路段交通标志对应的速度Bi及行车安全距离Ai进行归一化处理，获得行车危险系数，所述行车危险系数Xqi符合如下表达式：式中，α1表示第i个路段车流量的权重因子，α2表示第i个路段交通标志对应的速度的权重因子，α3表示第i个路段的行车安全距离权重因子，P为常数修正系数，由工作人员根据经验进行修正。

6.根据权利要求5的一种智能驾驶车辆高效节能方法，其特征在于：根据行车危险系数确定驾驶环境，驾驶环境包括不良驾驶环境与良好驾驶环境；

不良驾驶环境与良好驾驶环境生成方法包括：

预设行车危险系数阈值，将行车危险系数与行车危险系数阈值进行对比，当行车危险系数大于行车危险系数阈值，则将驾驶环境生成为不良驾驶环境；当行车危险系数小于等于行车危险系数阈值，则将驾驶环境生成为良好驾驶环境。

7.根据权利要求6的一种智能驾驶车辆高效节能方法，其特征在于：车辆重力为测试的智能驾驶车辆的重量与车辆载重传感器数值之和，测试的智能驾驶车辆的重量事先称重获得；载重传感器安装在智能驾驶车辆底盘上，用于获取智能驾驶车辆载重的数值；

替代行驶速度为机器学习模型输出第i个路段的对应的节能速度值；

速度决策为每次智能驾驶实验中，测试的智能驾驶车辆面对驾驶环境时选择或不选择使用替代行驶速度中的一种。

8.根据权利要求7的一种智能驾驶车辆高效节能方法，其特征在于：训练四元组集合是指将每组决策速度训练数据对应的生成一组训练四元组；基于所有决策速度训练数据生成训练四元组集合；

生成一组训练四元组的方式为：

以每组决策速度训练数据的行驶速度、车辆重力以及替代行驶速度作为当前状态；

以决策速度训练数据的速度决策作为选择的动作；

计算每组决策速度训练数据在选择动作后的奖励值Q；

训练四元组包括每组决策速度训练数据对应的〈当前状态、选择的动作、奖励值Q、下一个状态〉；

所述奖励值Q的计算方式为：

将速度标签数据标记为B，将车辆重力标记为S，将替代行驶速度标记为V；则奖励值Q的计算公式为：其中，e＝0或者e＝1，示例性的，当速度决策为不选择使用替代行驶速度时，则e＝0；当速度决策为选择使用替代行驶速度时，则e＝1，式中，μ表示预设的比例系数、η表示车辆重力的权重因子，P为常数修正系数，由工作人员根据经验进行修正；

当B‑V越小，即速度标签数据的行驶速度与替代行驶速度差值越小时，在智能驾驶车辆具有良好驾驶环境时，越倾向于e＝1，即越倾向于选择替代行驶速度；当Xqi或S越大时，即越大时，说明行车危险系数越大，则在智能驾驶车辆具有不良驾驶环境时，越使得e＝0，即不选择使用替代行驶速度；

以下一组决策速度训练数据的行驶速度为下一个状态。

9.根据权利要求8的一种智能驾驶车辆高效节能方法，其特征在于：训练出在检测到不良驾驶环境时，决策是否使用替代行驶速度的深度强化学习模型的方式为：将训练四元组集合中当前状态和奖励值Q作为深度强化学习模型的输入，深度强化学习模型通过从训练四元组集合中随机抽取若干四元组进行训练，学习在不同的初始状态下，是否选择使用替代行驶速度，以获得最大的奖励值Q的策略；深度强化学习模型为深度Q网络模型。

10.根据权利要求9的一种智能驾驶车辆高效节能方法，其特征在于：车辆控制后台收集路段特征数据的方式为：车辆控制后台实时获取监测的道路曲率、道路坡度与路面湿度；

基于路段特征数据以及机器学习模型计算前进方向的道路的节能速度值的方式为：将车辆控制后台收集的路段特征数据输入至机器学习模型中，获得输出的预测的节能速度值；

输出是否使用替代行驶速度的决策的方式为：

将车辆控制后台获得的节能速度值、生成的替代行驶速度以及待控制智能驾驶车辆的车辆重力输入深度强化学习模型中，获得输出的是否选择使用替代行驶速度的决策。

11.一种智能驾驶车辆高效节能系统，其基于权利要求1‑10任意一项的一种智能驾驶车辆高效节能方法的实现，其特征在于：包括：历史数据采集模块，用于车辆控制后台收集路段训练数据以及决策速度训练数据；

模型训练模块，用于车辆控制后台获取决策速度训练数据并生成训练四元组集合；

速度决策模块，用于车辆控制后台基于路段训练数据训练出估算第i个节能速度值的机器学习模型，并基于训练四元组集合训练出在检测到不良驾驶环境时，决策是否使用替代行驶速度的深度强化学习模型；车辆控制后台将机器学习模型和深度强化学习模型加载至待控制智能驾驶车辆的车辆控制后台；车辆控制后台生成替代行驶速度，基于替代行驶速度、行驶速度以及深度强化学习模型，输出是否使用替代行驶速度的决策。

12.一种电子设备，其特征在于：包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1‑10任一项所述的一种智能驾驶车辆高效节能方法。

13.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1‑10任意一项所述的一种智能驾驶车辆高效节能方法。