1.一种基于模糊推理的车辆跟驰寻优控制方法，其特征在于，具体按照以下步骤实施：步骤1、对车辆行驶的道路数据进行筛选，获取车辆轨迹数据中的车辆跟驰数据；

步骤2、通过离差平方和公式计算步骤1获取的车辆跟驰数据间距离，并将计算结果作为凝聚的层次聚类算法的相似度，以相似度最小为依据，将车辆跟驰数据不断进行合并，最终将车辆跟驰数据划分为多个簇类；通过层次聚类算法，将经过聚类的数据合并到一个簇类，形成树状图层次结构，并设置相似度阈值θ，作为车辆跟驰数据的聚类划分依据，使得车辆跟驰数据划分的聚类结果最优；

步骤3、利用步骤2获得车辆跟驰数据聚类划分结果，定义模糊规则，使得划分的簇类为输入量模糊集合，将每个划分的簇类内车辆跟驰数据用加和求平均的方式，获取每个簇类(l)的中心点，利用FCM算法计算每个模糊集合输入量的隶属度，构建E 度量数据隶属度的价(l)值，进一步设置信任度bel ；

步骤4、首先，利用步骤3定义的模糊集合以及计算的隶属度，求隶属度相乘的权值；然后，利用步骤3中设置的信任度，对以聚类划分簇类作为输入量模糊集合的中心值进行改进；再次，计算规则的置信度；最后，使用中心平均去模糊法，提高寻优解的效率与可靠性。

2.根据权利要求1所述的一种基于模糊推理的车辆跟驰寻优控制方法，其特征在于，所述步骤1具体按照以下步骤实施：根据选取车辆行驶的道路数据中的关键字段，找出车辆跟驰数据，进而依据自定义规则对车辆跟驰数据进筛选，自定义规则为：仅研究同类型车辆之间的跟驰行为，剔除在行驶过程中换道的车辆以及多乘员车道上车辆的数据，保留跟驰时间超过45s的数据，以保证跟驰过程的完整性，从而得到车辆跟驰数据。

3.根据权利要求2所述的一种基于模糊推理的车辆跟驰寻优控制方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、距离计算：

车辆跟驰数据之间的分散程度由离差平方和表示，离差平方和Sr公式如下：式中，xi为经过筛选处理第r个簇类中的车辆跟驰数据， 为车辆跟驰数据经过聚类后所得簇类的重心，nr是簇类数据个数，r∈nr，i为第i个簇类的索引，i∈nr；

设d(cr,cs)为聚类后所得簇类cr和相邻簇类cs的相似度，当簇类cr和相邻簇类cr相距较近，通过离差平方和可计算簇类间距，并将计算结果作为凝聚的层次聚类算法的相似度，车辆跟驰数据依据相似度最小原则，进行数据合并，簇类间距离计算公式d(cr,cs)如下：

1/2

d(cr,cs)＝(Sw‑Sr‑Ss)

式中Sw表示簇类cr和相邻簇类cs合并后的簇类的离差平方和，Sr表示簇类cr的离差平方和，Ss表示相邻簇类cs的离差平方和；

步骤2.2、层次聚类：

步骤2.2.1、初始计算时，将每个车辆跟驰数据视为一个单元素簇类，车辆跟驰数据之间的距离利用距离计算公式进行计算，计算结果作为凝聚的层次聚类算法的相似度，存放在相似度矩阵D＝[d(ci,cj)]中；

其中，ci为车辆跟驰数据中序号为i的单元素簇类，cj为车辆跟驰数据中序号为j的相邻单元素簇类；

设置初步聚类的层次L(m)为0，即L(m)＝0；

其中，m表示聚类的层次数；

步骤2.2.2、通过比较步骤2.2.1中存放在相似度矩阵中的距离值，找到车辆跟驰数据中相似度最近的两个单元素簇类；

步骤2.2.3、将车辆跟驰数据聚类层次进行累加，并合并步骤2.2.2中找到的两个相似度最近的单元素簇类，从而生成新的多元素簇，此时，确定本层次聚类簇类cr和相邻簇类cs在矩阵中位置D[cr,cs]，使得本次聚类的层次L(m)＝D[cr,cs]；

其中，(cr,cs)为新生成簇序号；若相似度矩阵中初始单元素簇类被全部代替，则合并多元素簇类；

步骤2.2.4、更新相似度矩阵D，删除簇类cr和相邻簇类cs在矩阵相应的位置，并在相似度矩阵D中加上新生成簇相应位置的值；

步骤2.2.5、若满足终止条件，停止聚类，否则，转至步骤2.2.2；

其中，终止条件为：所有车辆跟驰数据均被合并到一个簇类；

步骤2.3、通过步骤2.2对车辆跟驰数据进行层次聚类构造一个树状图层次结构，树状图层次结构中横轴表示数据的序号，纵轴表示数据之间的距离，并且原始的数据处于树的最低层；

步骤2.4、利用巴莱多定律将阈值θ设置为相似度最大值的0.2倍，确保车辆跟驰数据划分聚类数目合适，以减少运算时间并具有较高的可信度。

4.根据权利要求3所述的一种基于模糊推理的车辆跟驰寻优控制方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1、定义模糊规则：

(p)

将步骤2中车辆跟驰数据聚类划分的簇类，作为n输入单输出的样本数据T＝{(x ；y(p))},p＝1,2,…,N，每个样本数据对应一条规则；

(p)

其中，N为划分的簇类个数，n为一组簇类中输入数据个数，x 为第p组簇类输入数据且(p)y 表示相应的输出数据；

提取的IF‑THEN规则表示为：

(l)

其中， 为车辆跟驰数据聚类划分的簇类作为输入量模糊集合，B 输出量y在规则序号l上的模糊集，l＝1,2,...M表示规则的序号，M表示规则的总数，(i1,...im)是(1,...n)的一个子序列，并且m≤n；

步骤3.2、FCM算法计算隶属度：

(l)

利用FCM算法计算隶属度μij 公式如下：

式中，dij表示车辆跟驰数据xj到层次聚类后簇类i的中心点距离，dkj表示车辆跟驰数据xj到层次聚类后簇类k的中心点距离，xj为车辆跟驰数据，N为层次聚类后簇类个数，i为第i层次聚类后的簇类，k为第k组层次聚类后的簇类，j为车辆跟驰数据索引，l为当前规则序号索引；

利用层次聚类将车辆跟驰数据划分为相应簇类，计算一个车辆跟驰数据对划分的各个(l) (l)簇类中心距离的隶属度，如果μij ＝1，说明存在发生碰撞的风险，如果μij ＝0，则表示追尾跟驰状态脱离，表明目前处于安全稳定的行驶环境中；

步骤3.3、计算度量价值：

(l)

设E 度量车辆跟驰数据xj的隶属度μij的价值量，根据熵的定义，计算度量跟驰数据隶(l)属度价值公式E 如下：

式中，c为层次聚类后簇类个数，xj为车辆跟驰数据， 为车辆跟驰数据xj的隶属度，i为第i个簇类的索引，j为车辆跟驰数据索引；

步骤3.4、设置信任度：

(l) (l)

利用步骤3.3中度量隶属度价值量E ，设置车辆跟驰数据xj的信任度为bej ，信任度(l)bej 计算公式如下：

式中，N表示车辆跟驰数据样本的总个数。

5.根据权利要求4所述的一种基于模糊推理的车辆跟驰寻优控制方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1、若满足终止条件 则不会生成任何规则，该方法终止；否则，利用步骤3定义的模糊集合以及计算的隶属度，求出隶属度相乘的权值，公式如下：式中，Aij为车辆跟驰数据层次聚类得到簇类，每个簇类分别对应一条输入量的模糊集，代表跟驰数据 在p输入模糊集的隶属度值；

将车辆跟驰数据层次聚类后所得的每个簇类，通过对计算隶属度得到隶属度相乘的权值，进一步代至步骤2.2.4中，对相似矩阵进行更新，相似矩阵中新生成的簇类及其他簇类相似度的计算，进一步加快层次聚类速度；

步骤4.2、针对步骤3定义的规则，以车辆跟驰数据化分的簇类作为输入模糊集，每一条输入量对应一条规则，生成模糊规则，如果规则中存在前件相同的重复规则，需对提取出的规则进行合并；

设每个规则序号l中的中心值为 利用输入模糊集样本置信度和输入模糊集样本间的信任度对中心值进行改进，改进的中心值 计算公式如下：(i) (l)

式中，doc 为输入模糊集样本置信度，bel 输入模糊集样本间的信任度，N为以车辆跟驰数据分化的簇类作为输入模糊集的样本数，l为当前规则序号索引；

步骤4.3、模糊规则生成为：

(l)

其中，B 是高斯分布隶属函数 的模糊集合，高斯分布隶属函数(l)

中参数σ 计算如下：

(l)

式中，y 为规则序号为l的规则中心值， 为规则序号为l的输入模糊集合的序号的(l)中心值，u 为车辆跟驰数据层次聚类得到簇类的m个隶属度乘积， 为规则序号为l的输入模糊集合的序号的隶属度乘积， 表示规则序号为l的输出模糊集合数据第k个数据对应的索引；Aij为车辆跟驰数据层次聚类得到簇类，m表示规则l的输出模糊集合的个数；

(l)

计算规则的置信度doc 如下：

式中， 为规则序号为l的输出模糊集合的序号的中心值， 为规则序号为l的输入模糊集合的序号的中心值，k为第k个输出模型，t为第t个输入模型；

计算规则的置信度用以评估规则的合理性程度，说明合并后的规则之间不存在冲突；

步骤4.4、使用中心平均去模糊法，得到预测模型；

设规则序号为l的激活程度为act(l)，激活程度act(l)公式如下：式中， 为规则序号为l的模糊集合Aij的隶属度；

设每个规则中心点与预测点构建预测公式为f(x)，预测公式f(x)如下：式中， 是规则序号为l的规则中心，M为规则数目；

通过计算每个规则的中心值 利用激活函数act(l)描述规则中心点 与当前车辆跟驰数据x′的关系，将产生的每条新规则利用预测公式f(x)进行计算，最终得到跟驰车下一时刻的预测的跟驰数据结果，驾驶员依据预测的车辆下一时刻的数据，对当前行驶速度进行调整，若预测将发生车辆追尾，驾驶员立即进行车辆减速，若预测数据始终处于安全稳定的状态，驾驶员可一直保持车辆跟驰。