1.一种基于数据驱动的网联车辆队列系统模型预测控制方法，其特征在于，包括以下步骤：步骤1、获取车辆队列系统中不同车型的运动数据集；

步骤2、结合深度学习和Koopman算子理论对车辆队列中车辆的纵向动力学进行数据驱动建模，得到数据驱动模型；

所述步骤2具体如下：

对在平直道路上行驶的车辆队列，共包含一辆有人驾驶的车辆和N辆自动驾驶的网联T车辆；对于网联车辆，第i辆车k时刻的状态量定义为xi(k)＝[pi(k),vi(k),ai(k)] ,其中p、v、a分别表示车辆的位置、速度和加速度信息；从而将车辆的非线性纵向动力学模型写成式(1)所示离散形式：xi(k+1)＝fi(xi(k),ui(k)) (1)其中u表示控制输入，为车辆的制动/驱动扭矩；f为未知的非线性函数；采用Koopman算子理论将非线性模型重构为高维空间下的线性模型，如式(2)所示：zi(k+1)＝Ki(zi(k),ui(k)) (2)其中：

zi(k)＝gi(xi(k))

通过神经网络拟合一个矩阵来近似Koopman算子Ki，同时通过训练网络参数来寻求合适‑1的本征函数g和映射变换g ；

步骤3、确定通信拓扑结构和系统控制目标；

步骤4、基于数据驱动模型，设计分布式模型预测控制算法，实现控制器设计，最终实现车辆队列系统保持期望目标稳定行驶。

2.根据权利要求1所述的基于数据驱动的网联车辆队列系统模型预测控制方法，其特征在于，所述步骤1具体如下：根据不同的车辆类型，部署相应的传感器和采集单元，采集相应的速度、位置、加速度和发动机扭矩数据；同时完成数据清洗，平滑噪声数据，处理缺失值和异常值，确保数据的质量和一致性，数据清洗包括删除无关数据和重复数据。

3.根据权利要求1所述的基于数据驱动的网联车辆队列系统模型预测控制方法，其特征在于，所述神经网络包括编码网络、预测网络和解码网络；其中：编码网络将状态量从原始空间升维、重构到高维空间，其输入输出关系如下式(3)所示：编码网络输入为原始状态量，经过一个多层的全连接网络输出，θen为对应的权重和偏置网络参数；最终整个编码网络的输出zi(k)由原始状态和多层网络输出拼接成一个张量；

预测网络实现在高维空间下，随着时间的演变，重构后的模型的状态变换过程，预测网络的输入输出关系如式(4)所示：其中Fi为有限维的矩阵，为Koopman算子的近似，令Fi＝[Ai,Bi]，对应的θA,θB为预测网络的参数，同样包含了网络的权重和偏置；

最终解码网络将高维空间下的状态量映射回原始空间，其输入输出关系如式(5)所示：其中θde为解码网络的参数，输入高维状态量zi(k)，通过多层全连接的网络输出，最终得到原始状态量xi(k)，定义C矩阵来表示这一过程。

4.根据权利要求3所述的基于数据驱动的网联车辆队列系统模型预测控制方法，其特征在于，根据网络的参数得出高维空间下重构的线性模型如式(6)所示：损失函数采用的是多步损失函数，在给定数据集后，首先计算一个长度为m的网络的输出，如式(7)所示：m

Fi {zi(k)}表示为k时刻往后推进m个时间步得到k+m时刻的状态信息；然后，以均方差形式定义了如式(8)所示的损失函数用以描述网络对未来状态变量预测的误差：为了使得网络有更高精度的编码、解码性能，定义式(9)所示损失函数描述了编码后重建误差损失：为了使得系统重构后，在高维的线性空间下能有更好的线性演变能力，给出式(10)所示的损失函数：为了保证算法的鲁棒性，给出了如式(11)所示的损失函数：基于给出的损失函数，整个网络的损失函数如式(12)所示：其中对于θen和θde的惩罚是为了防止过拟合，α1～α6为折扣因子。

5.根据权利要求4所述的基于数据驱动的网联车辆队列系统模型预测控制方法，其特征在于，在步骤3中，系统控制目标是希望队列中的所有车辆保持期望间距匀速行驶，具体数学表述如式(13)所示：其中ddes为期望车间距，采用的是恒定间距策略，N为网联车辆的数量；

基于控制目标，通信拓扑设计为后车只接受前车的状态信息的单向拓扑结构。

6.根据权利要求5所述的基于数据驱动的网联车辆队列系统模型预测控制方法，其特征在于，所述步骤4具体如下：根据控制目标，对于任意队列中的车辆，根据其邻居车辆的状态信息建立MPC优化问题，模型约束为数据驱动模型；

在每个离散周期内，接受邻居车辆的状态信息，求解优化问题，得出最优的控制量序列和最优的状态量序列，同时将本地的最优状态信息给邻居车辆；

最终用最优的控制序列的第一个用作实际控制，如此循环，最终实现车辆队列按照期望目标安全行驶。

7.根据权利要求6所述的基于数据驱动的网联车辆队列系统模型预测控制方法，其特征在于，依据控制目标，在t时刻建立如下分布式MPC的优化问题Fi：其中Np表示预测时域， 表示为t时刻预测的t+k时刻的状态量；xref(k|t)为有人驾驶的车辆状态轨迹；约束(14a)，(14b)为数据驱动模型的约束，(14c)，(14d)和(14e)则为状态量和控制量的约束；

表示与节点i建立通信的邻居节点的假设状态信息，通过一个集合 表示所有与i建立通信链路的车辆节点集合；具体 的由式(15)给出：求解优化问题得到t时刻的一个最优控制序列

与之对应的最优状态序列表示为 最终只使用

用作t时刻的实际控制量，在t+1时刻，继续进行滚动优化。