1.一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，包括：车辆数据获取/收发模块、车辆状态数据分类模块、防撞预警预测模块及预警观测数据模块，所述车辆数据获取/收发模块包括V2X通信模块，高精度定位模块以及惯性导航模块，所述V2X通信模块用于车辆之间进行无线通信，发送和接受车辆行驶数据，用于超视距范围内周围车辆的探测、识别；惯性导航模块包括GPS定位模块，加速度计、陀螺仪，GPS定位模块和高精度定位模块负责定位本车位置及获取位置数据；加速度计、陀螺仪用于获取本车的姿态数据，获取姿态数据，然后进行高精定位；

车辆状态数据分类模块用于；将获取的车辆行驶数据按照海拔、相对速度、相对距离、加速度、相对航向角、两车相对角度，对两车当前的车辆行驶数据采用K‑means算法进行聚类，得到车辆驾驶状态数据，用以表征不同场景下的车辆交通状况；

预警观测数据模块，采用速度自适应算法得到速度‑时长相匹配的驾驶状态时间序列，进而通过K‑Means算法对该驾驶状态时间序列进行聚类，以得到车辆状态数据；

防撞预警预测模块，用于对HMM模型参数估计，根据车辆状态数据对HMM模型中多预警场景的参数进行训练学习，估计该模型中的状态转移概率矩阵以及观测矩阵，采用HMM预测算法，预警得出安全、提醒、告警，警告、危险五个预警状态。

2.根据权利要求1所述的一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，所述车辆状态数据分类模块中，通过对当前路段中的车辆相对航向角进行统计，分析当前路段中车辆航向角的分布情况，判断当前路段航向角的类别，来识别当前路段的预警场景，并且判断出识别车辆所属的预警场景，通过K‑means算法对车辆行驶数据进行聚类，同时将聚类类别与车辆的预警场景判断结果一起标记当前状态数据，用于预测模型的学习。

3.根据权利要求1所述的一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，所述预警观测数据模块中，采用速度自适应驾驶状态时间序列作为观察序列的方法，其方法如下：观测序列O＝(o1,o2,…,oT)长度T由本车速度vh和本车与识别车辆的相对速度vd共同决定当前时刻观测序列的长度，根据vh和vd动态的改变观测序列的长度。

4.根据权利要求1所述的一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，所述K‑means算法将包括海拔、相对速度、相对距离、加速度、航向角、两车相对角度在内的特

1 2 3 4 5 6 (i)

征表征的车辆行驶状态数据{x ,x ,x ,x ,x ,x}进行聚类，分类成K种类别c 表征的车辆(i)

驾驶状态数据，通过分类类别c 快速识别当前时刻交通状况类别。

5.根据权利要求1所述的一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，所述HMM模型通过对传统隐马尔卡夫模型改进优化，引入多预警场景状态转移概率矩阵A′、观测概率矩阵B′，通过训练数据中的防撞预警分类，对不同的预警场景进行模型参数的独立训练，得到多预警场景状态转移概率矩阵A′、观测概率矩阵B′，然后通过模型中的参数进行当前场景的预警预测。

6.根据权利要求1‑5之一所述的一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，所述陀螺仪用于获取本车的姿态数据，包括横向加速度、纵向加速度、垂直加速度、以及滚转角、俯仰角、偏航角在内的姿态数据，用以车辆的状态判断同时为惯性导航技术提供数据支撑。

7.根据权利要求6所述的一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，惯性导航算法采用捷联式惯性导航技术对车辆的姿态、速度、位置参数进行计算，惯性导航技术由惯性导航模块利用目标载体的加速度数据，通过积分计算出目标载体的速度、位移,再结合惯性导航传感器的航向角求出目标载体的位置坐标，计算出车辆的实际加速度α:其中，α为车辆实际加速度，α、β分别为z轴、x轴与重力加速度方向的夹角，已知惯性导航模块的数据采集频率为f，通过积分方式处理加速度计和陀螺仪采集到的姿态角度和加速度数据得到车辆惯性运动的速度vn和位移sn：式中an为车辆在第n个点处的实际运动加速度，由上述公式求出车辆惯性运动的位置坐标为：

式中x，y为车辆运动的真实位置坐标，xlast，ylast为坐标缓冲，s为当前时刻测量的位移，slast为位移缓冲，γ为车辆运行航向角。

8.根据权利要求4所述的一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，基于获取到的本车以及周围车辆的车辆状态数据选取两车的相对距离d，相对速度v，相对加速度a以及相对航向角h这四个量作为K‑means算法的特征，该算法将K个簇的聚类问题转换成多个子聚类问题，最终将车辆状态数据进行聚类成K个类，每个类聚类中心为C＝{c1,c2,…,cK}，采用平法误差作为聚类准则函数，即：式中fij为车辆状态数据集中的数据元素，通过反复迭代聚类，寻求最优聚类中心，直至聚类准则函数收敛。

9.根据权利要求4所述的一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，通过对当前路段中的车辆相对航向角进行统计，分析当前路段中车辆航向角的分布情况，即：c＝f(P)

式中Head为车辆航向角、N为车辆总数、c为预警场景类别，通过上式统计出当前路段中车辆航向角的分布情况，分析出当前路段航向角的类别分布，通过航向角的类别可以识别车辆所属的预警场景。

10.根据权利要求1‑8之一所述的一种基于HMM的V2X车联网车辆防撞预警系统，其特征在于，防撞预警预测模块的预测步骤如下：

1，获取、处理车辆状态数据集，并对数据进行去噪、滤波处理；

2，通过K‑Means算法对车辆状态数据集进行聚类处理，并对数据进行预警场景标记，以得到驾驶状态数据集；

3，采用Baum‑Welch方法，根据驾驶状态数据集对模型进行参数估计得到多预警场景隐马尔科夫模型λ＝(A′,B′,π′)；

4，采集当前时刻驾驶状态时间序列，通过速度自适应算法选取最优的序列长度作为预测序列；

5，通过K‑Means算法对当前时刻驾驶状态时间序列进行聚类，分析当前时刻的预警场景；

6，调用该预警场景下的隐马尔科夫模型，采用维特比算法进行预测，得到当前时刻预警状态。