1.一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，包括如下步骤：步骤1、实时预测队列长度：

智能汽车进入算法预定优化区间时，根据智能汽车与交叉口基础设施通信后获得的交通流信息与信号灯时间，获得排队冲击波、消散冲击波和驶离冲击波速度，基于运动学冲击波模型给出队列长度预测算法，来实时预测交叉口车辆排队长度，进而预测车辆到达交叉口前的最大排队长度；所述的交通流信息包括每个周期车流量和车辆平均驶入速度；

步骤2、构建燃油最优车辆轨迹优化问题：将燃油最优问题简化为不停车优化子问题和停车等待优化问题，先求解并采用不停车优化问题的解，若不停车优化问题无解，再求解并采用停车等待优化问题的解；

步骤3、考虑预测排队长度的生态驾驶算法：将燃油最优车辆轨迹优化问题的解作为智能汽车的期望加速度，并且为了保证车辆的安全，当智能汽车与前车距离小于安全行驶距离时，将智能驾驶员模型所得的安全加速度作为智能汽车的期望加速度，从而避免发生碰撞。

2.根据权利要求1所述的一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，步骤1中运动学冲击波模型的排队冲击波速度 消散冲击波速度 和驶离冲击波速度 分别为：

其中，qm和km表示饱和的流量和密度， 和 表示第n个定时周期内的平均到达流量和平均密度，kj为堵塞密度；

所述的队列长度预测算法为：

其中，sp(t)为预测的实时队列长度，v0为车辆自由驾驶的平均速度， 为第n个定时周期中红灯开始时间， 为第n个定时周期中排队长度最大的时间， 为第n个定时周期中队列完全消散的时间， 为第n+1个定时周期中红灯开始时间；

当 和 相遇的时候，车辆前方达到最大排队长度。

3.根据权利要求2所述的一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，步骤2中所述的燃油最优车辆轨迹优化问题为：其中Fuel(v(t)，a(t)，θ(t))为燃油消耗模型：其中α0，α1，α2由智能汽车类型决定的系数，P(t)是智能汽车输出功率，v(t)，a(t)，θ(t)分别为速度，加速度，道路坡度；

将该最优问题优化为两个问题：

1、停车等待优化问题：

智能汽车在时间t0以速度v0进入交叉口的控制路段后，先以恒定加速度a1减速，然后以恒定的速度行驶，最后以恒定加速度amin减速停止；当消散冲击波传播到该智能汽车处，智能汽车开始以恒定加速度as加速到饱和交通流速度vm，行驶通过交叉口；停车等待优化子问题表示为：

其中的约束为：

θ(t)＝β

amin≤a1≤0

0≤as≤amax

其中，t1为以a1匀减速结束的时间，t2为开始以amin减速的时间，tq为车辆减速到0的时间，td为开始加速的时间，ta为加速到饱和流速的时间，tl为驶出交叉口的时间，amin为最大减速度，amax为最大加速度；

2、不停车优化问题：

智能汽车在时间t0以速度v0进入交叉口控制路段后，先以恒定加速度a2减速，然后以恒定速度行驶至时间 当检测到前方队列驶离，智能汽车则以恒定加速度a3加速到vm，通过交叉口；不停车优化问题表示为：其中的约束为：

θ(t)＝β

amin≤a2≤0

amin≤a3≤amax

其中，t′1和t′a分别为以a2匀减速结束和以a3加速度至vm的时间。

4.根据权利要求3所述的一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，步骤3中所述的考虑队列长度预测的生态驾驶算法如下：

1、如果智能汽车能够以其初始速度v0通过停车线，而不撞上车队或遇到红灯，则不会对其采取任何控制措施；

2、如果智能汽车在前车车队到达步骤一预测的排队最大长度之前到达交叉口，则优先采用不停车优化问题的解来控制车辆；若不停车优化问题无解，则采用停车等待优化问题的解来控制车辆；当智能车辆与前方车辆的距离小于安全距离时，将切换到智能驾驶员跟驰模型继续行驶；

3、如果智能汽车在队列驶离时到达交叉口，车辆首先保持v0速度行驶，然后以恒加速度减速到 跟随前方队列通过交叉口；

控制车辆与前车的安全距离：

其中dmin为最小安全距离，Ht为车头时距，vp为前车速度。

5.根据权利要求3所述的一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，停车等待优化问题中的t1，t2，tq，td，ta，tl能够按如下公式计算：v0+aI(t1‑t0)＝‑amin(tq‑t2)ta＝td+τs

其中，D为优化区间，L为小车长度，sp(tq)为车辆停车前方的排队长度，dmin为最小安全距离，τs为车辆以加速度as加速到vm的时间。

6.根据权利要求1所述的一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，不停车优化问题中的t′1，t′a，tl能够按如下公式计算：