1.混合交通状态下基于机器学习的非网联车状态估计方法，其特征在于：该方法为：在不同的时刻下，当两个网联车之间存在不同数量的非网联车时，相对驾驶行为会相应变化，并存在一定的关联关系；qt为t时刻下非网联车的数量，ot为t时刻下两辆相邻网联车的相对驾驶行为；明确这两者之间存在的关联关系，通过机器学习的方法利用这个关联关系在已知两辆网联车的相对驾驶行为的情况下估计非网联车的数量；

隐马尔可夫模型HMM是统计模型，用来描述一个含有隐含未知参数的Markov过程，包含两个部分：Markov链和随机过程；其中，Markov链是一个随机模型，表述一系列可能发生的事件，当前的状态量与下一个状态量之间有一定的因果关联关系；随机过程是指由隐藏在观测者后的状态量随机产生观测量的过程；状态量之间的转变由状态转移概率矩阵A＝[aij]N×N决定，状态量和观测量之间的关系则由发散概率矩阵B＝[bjk]N×M决定；两辆相邻网联车之间的相对驾驶行为是可见的观测量，而非网联车的数量是隐含在背后的状态量；基于大量的实际交通数据，对HMM进行训练，得到模型参数，即两个概率矩阵，利用已知参数的HMM去测试和估计非网联车的数量，进而预测交通流量；

HMM包括5个元素：

(1)隐含的状态量：S为有N个隐含状态量的有限集，则S＝{S1,S2,…,SN}；

(2)可见的观测量：V为有M个观测量的有限集，则V＝{V1,V2,…,VM}；如果有一个观察序列O＝{o1,o2,…,oi,…,oT}，oi∈V，表示时刻i下的观察值，则相应的状态序列为Q＝{q1,q2,…,qi,…,qT}，qi∈S，表示时刻i下的状态量；

(3)初始状态概率矩阵：∏＝{π1,π2,…,πN}是隐含状态量的初始概率分布，πi＝P{q1＝Si}，表示t＝1时刻下的状态量为Si的概率；

(4)状态转移概率矩阵：状态量之间的转变由状态转移概率矩阵A＝[aij]N×N决定，aij＝P{qt+1＝Sj|qt＝Si}，表示在t时刻下状态量为Si的条件下，在t+1时刻下状态量为Sj的概率，当前的状态对下一时刻的状态有影响，存在一定的关联关系；

(5)发散概率矩阵：状态量和观测量之间的关系则由发散概率矩阵B＝[bjk]N×M决定，bjk＝P{ot＝Vk|qt＝Sj}，表示在t时刻下状态量为Sj的条件下，观测量为Vk的概率；

用一个三元组λ＝{Π,A,B}来表示一个隐马尔可夫模型；

所述相对驾驶行为包括相对位移、相对速度和相对加速度；

在非网联车估计的应用中，两个相邻的网联车的相对驾驶行为被视为可见的观测量，相对驾驶行为由两车的相对速度、相对加速度和相对位移组成，而相邻网联车之间的非网联车数量被视为隐含的状态量；通过实际交通运行过程中产生的数据，已知一个观测序列即相邻网联车的相对驾驶行为集合O＝{o1,o2,…,oT}和相应的隐含状态序列即非网联车的数量集合Q＝{q1,q2,…,qT}时，用Baum‑Welch算法学习估计产生隐马尔可夫模型的模型参数即状态转移概率矩阵A和发散概率矩阵B；

所述Baum‑Welch算法包含两个过程：前向过程和后向过程：(1)前向过程

考虑到前向变量αt(i)被定义为αt(i)＝P(o1o2…ot,qt＝Siλ)，由下列归纳运算得到：a)初始化

α1(i)＝πibi(o1),1≤i≤N                (1)b)归纳

c)结束

(2)后向过程

考虑到后向变量βt(i)被定义为βt(i)＝P(ot+1ot+2…oT,qt＝Siλ)，则由下列运算得到：a)初始化

βt(i)＝1,1≤i≤N                      (4)b)归纳

基于变量α和β，概率变量γt(i)，即t时刻下状态量为Si的概率和εt(i,j)，即t时刻下状态量为Si的条件下，在t+1时刻下状态量为Sj的概率，计算如下：基于变量γ和ε，估算HMM模型参数的公式如下：利用公式(8)～(10)，得一个新的HMM模型参数在已知一个由实际数据学习而估算出的隐马尔可夫模型时，通过一个观测序列，利用Viterbi算法来寻找最优的隐含状态序列；即在已估算出的隐马尔可夫模型的基础上，通过相邻网联车的相对行为推测出此相邻网联车之间的非网联车的数量；为在给定的观测序列O＝{o1,o2,…,oT}的基础上，获得最优的状态序列Q＝{q1,q2,…,qT}，需要计算总量δt(i)：δt(i)是t时刻下序列路径上已有t个观测量和当前状态量为Si时的最大概率；

令ψt(i)为序列路径上前一个状态量Si，即t‑1时刻下的状态量Si；

Viterbi算法的过程如下：

a)初始化

δ1(i)＝πibi(o1),1≤i≤N           (12)ψ1(i)＝0,1≤i≤N                           (13)b)递归

c)结束

d)状态序列回溯

2.根据权利要求1所述的混合交通状态下基于机器学习的非网联车状态估计方法，其特征在于：所述模型参数通过实时利用实际交通数据进行更新，用于提高模型的预测精度。