1.一种基于并行神经网络的无人驾驶车辆电源预测方法，其特征在于，包括以下步骤：
步骤1：获取暴雨环境下的无人驾驶车辆历史行驶数据；
所述历史行驶数据包括各时刻的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度以及第一耗电率、第二耗电率、剩余电量；
其中，所述第一耗电率在暴雨环境下采集的值减去第二耗电率，所述第二耗电率在相同道路上行驶时，在无雨情况下采集获得；
步骤2：构建基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型；
以所述历史行驶数据中各指定时间间隔T内的降雨阻力、道路积水阻力作为第一并行小波神经网络的输入数据，第一耗电率作为第一并行小波神经网络的输出数据；
以所述历史行驶数据中各指定时间间隔T内的道路坡道损耗功率、车载电池温度作为第二并行小波神经网络的输入数据，第二耗电率作为第二并行小波神经网络的输出数据；
对两个并行小波神经网络进行训练，并以两个并行小波神经网络的输出结果求和，获得基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型；
所述两个并行小波神经网络的输入层节点个数为4，隐含层小波元个数为8，输出层节点个数为1，隐含层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数；
训练过程中的最大迭代次数设置为1000，训练学习率为0.1，阈值为0.00004；
步骤3：构建基于BP神经网络的无人驾驶车辆剩余电量预测模型；
以所述历史行驶过程中的t时刻的耗电率和对应的剩余电量作为输入数据，t+T时刻的剩余电量作为输出数据，对BP神经网络模型进行训练，获得基于BP神经网络的无人驾驶车辆剩余电量预测模型；
所述BP神经网络输入层包含3个节点，输出层节点个数为1，训练过程中的最大迭代次数设置为500，训练学习率为0.2；
步骤4：利用当前时间在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型，获得当前时间在指定时间间隔T时间内的电池耗电率，并基于获得的当前电池耗电率以及实时剩余电量，输入基于BP神经网络的无人驾驶车辆剩余电量预测模型，获得经过指定时间间隔T时的剩余电量；
其中，所述降雨阻力是指通过设置在车身不同表面的力敏传感器网络进行实时测量，将每个车身表面的所有力敏传感器的测量数据进行连续协方差融合处理获得，以每个表面的降雨阻力形成的降雨阻力向量；
所述道路积水阻力是利用图像采集装置获取路面图像，并对路面图像进行灰度处理以判断前方路面是否有积水，如果无积水则输出预设的道路积水阻力值；如果有积水则利用道路两旁的红外测量仪采集的积水数量、长度和深度信息计算道路积水阻力；
所述道路坡道损耗功率是利用安装在车底的水平仪采集的车身偏角信息、车辆行驶速度以及车重计算获得。
2.根据权利要求1所述的方法，其特征在于，每个车身表面设置至少两个力敏传感器，以每个力敏传感器在指定时间间隔T内各采样时刻采集的测量值形成的向量作为观测值，结合观测矩阵和预测噪声矩阵，构建每个力敏传感器的卡尔曼估计方程，获得每个力敏传感器的降雨力估计值以及估计值的协方差；采用两两协方差连续融合的方式，以最小融合协方差为标准建立最优方程，得到融合系数；再利用融合系数和协方差估计值进行状态值估计值的两两连续融合，得到车身表面的降雨阻力融合状态值；
以所述融合系数对车身表面的传感器进行融合的过程如下：
其中， 表示第i-1步融合得到的融合状态值， 和θi-1分别表示第i-1步融合中的融合协方差值和融合系数， 和 分别表示第i-2步融合得到的融合状态值和融合协方差值，Ppi和Xpi分别表示第i-1步融合时新加入的力敏传感器的协方差估计值和状态估计值，其中，i表示参与融合的传感器数量，取值范围为[1,m]，m表示车身表面设置的力敏传感器数量，当i取值为1时，表示参与融合的力敏传感器为随机选取的力敏传感器，且θi-1表示融合系数，通过建立最优方程的取值为在范围[0,1]之间使得 取得最小值时的值；
Ppi的取值为k为最大值的Ppi(k|k)的值，Ppi-1(k|k)表示k时刻时协方差估计值的逆，Hpi(k)表示第i个力敏传感器的观测矩阵，取值为[1 0 0]，R(k)表示预测噪声矩阵的协方差，按经验值取1；
表示第i个力敏传感器基于k-1时刻对k时刻的协方差预测值；
其中，F(k-1)表示状态转移矩阵，其值为 α，β，γ为状态系数，先利用每个力敏传感器连续采集多个数据，代入回归方程后进行拟合获得每个力敏传感器的状态系数，然后对同一车身表面所有力敏传感器对应的状态系数分别求均值获取；
为第i个力敏传感器在k-1时刻的协方差预测值，且
取值为 的值， 的取值为第i个力敏传感器在初始时刻采集的实测
值的协方差；
G(k)是噪声矩阵，按照系统的输入噪声模型取值 Q(k)是测量过程中噪声矩阵的协方差，按经验值取1；
Xpi的取值为在采集时间间隔T中最后一个时刻k时Xpi(k)的值：
其中，Hpi(k)表示第i个力敏传感器的观测矩阵，取值为[1 0 0]，R(k)表示预测噪声矩阵的协方差，按经验值取1；
Zpi(k)表示第i个力敏传感器在k时刻采集的实测值；
表示第i个传感器的观测预测值，由以下公式计算得到：
3.根据权利要求2所述的方法，其特征在于，融合系数θi-1采用黄金分割法或者斐波那契法进行求解获得。
4.根据权利要求2所述的方法，其特征在于，所述基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型中的两个并行小波神经网络的权值、阈值和伸缩平移系数均采用水循环算法WCA算法进行优化选择的过程如下：
步骤B1：每个降雨层作为第一并行小波神经网络模型和第二并行小波神经网络模型的权值、阈值和伸缩平移系数，初始化降雨层种群；
设定降雨层种群数量的取值范围为[20,100]，海洋数量为1，河流数量的取值范围为[5,30]，最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1]；
步骤B2：设定适应度函数；
将降雨层对应的权值、阈值和伸缩平移系数代入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型中，并利用降雨层确定的基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型计算下一时刻的耗电率，将预测值和实际值的均方差MSE的倒数作为第一适应度函数；
步骤B3：以适应度大的降雨层作为大海，以适应度次小的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；
步骤B4：如果溪流解优于河流解，则溪流与河流交换位置，如果河流解优于海洋解，则河流与海洋交换位置；然后使溪流流入河流，使河流汇入海洋；
步骤B5：判断河流解与海洋解之间的差值绝对值是否小于设定的极小值，如果小于，则认为满足降雨条件，从种群中去掉该河流，并重新进行降雨过程，随机生成新的降雨层加入种群，返回步骤B3继续一次迭代，否则，进入步骤B6；
步骤B6：判断是否到达最大迭代次数，若满足则输出最优的降雨层对应的参数，输出所述基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型的权值、阈值和伸缩平移系数，若不满足则进入步骤B3继续下一次迭代。
5.根据权利要求2所述的方法，其特征在于，所述基于BP神经网络的无人驾驶车辆剩余电量预测模型中BP神经网络的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得的过程如下：
步骤C1：以量子粒子群中每个量子粒子个体的位置向量作为所述BP神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数；
量子粒子群种群的个数的取值范围为[25,70]，量子粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；
步骤C2：设定适应度函数，确定初始最优量子粒子个体位置向量和迭代次数t，t＝1；
将量子粒子个体位置向量对应的权值和阈值代入基于BP神经网络的无人驾驶车辆剩余电量预测模型中，并利用量子粒子个体位置向量确定的基于BP神经网络的无人驾驶车辆剩余电量预测模型计算当前剩余电量，将预测的剩余电量和实际值的均方差的倒数作为第二适应度函数；
步骤C3：计算每个量子粒子群的群体适应度方差，进行早熟收敛判断；
若量子粒子群群体适应度方差小于早熟收敛判断阈值γ，则对量子粒子群中δ％的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体；
步骤C4：判断是否组建精英种群；
当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤C8，否则转入步骤C5；
步骤C5：更新各种群粒子参数；
步骤C6：重新计算并比较每个粒子的适应度值，如果优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，令t＝t+1，转入步骤C3；
步骤C7：精英种群继续进化；
步骤C8：判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤C3，直到找到全局最优值，输出所述BP神经网络的权值和阈值。
6.根据权利要求2-5任一项所述的方法，其特征在于，所述获取道路积水阻力的具体过程如下：
步骤A1：利用车载的Kinect摄像头获取路面积水图像，并将连续采集的三帧路面积水图像进行均值处理，得到均值图像；
步骤A2：采用Sobel微分算子对均值图像进行滤波处理，再对滤波处理后的图像进行二值化阈值处理得到水坑边缘图像，对水坑边缘图像进行膨胀处理，得到水坑处理图像；
若水坑处理图像的像素值为255，则判断前方道路有积水，否则，前方道路无积水；
二值化阈值依据经验值设定；
步骤A3：如果无积水信号，则按照车辆在潮湿地面行驶的情况输出道路积水阻力F道路积水：F道路积水＝k潮湿·F干燥；
如果有积水信号，则根据车载的GPS信息，搜索车辆坐标范围100～150米内的红外检测仪，利用4G网络调用附近的红外测量仪，利用车上的无线接收器收集前方100～150米距离的道路积水部分的积水信息，依据道路积水信息获取道路积水阻力F道路积水；
F道路积水＝k平均·F干燥
其中，k潮湿取0.5，F干燥＝Ga·(0.0116+0.000142v)，Ga为车重，v为车速，L表示检测区域长度，L积水表示从云端获得的积水长度总和， 表
示积水区域的穿水系数平均值，L潮湿表示检测区域中无积水的潮湿路段长度，由检测区域长度减去积水长度总和得到，k潮湿表示无积水路面的阻力系数，取0.5；
其中，穿水系数由积水长度和行车速度代入穿水函数k穿(h,v)计算获得，所述穿水函数k穿(h,v)以实际测得的多组车辆在积水中行驶的穿水阻力实测值、车辆行驶速度和穿水长度进行拟合获得，穿水阻力实测值为 F实测积水为实际测量得到的积水阻力、F干燥为实际测量得到干燥路面车辆的行驶阻力，F干燥＝Ga·(0.0116+0.000142v)，穿水长度由设置在路边的红外检测仪直接得到。
7.根据权利要求2-5任一项所述的方法，其特征在于，利用无人驾驶车辆的电子水平仪，感知到车身方向和水平方向的夹角，计算指定间隔时间内无人驾驶车辆的坡道损耗功率，具体过程如下：
步骤D1：在指定间隔时间内，根据电子水平仪采集的车身偏角数据，拟合得到车身偏角在采集时间间隔T内的数据θ(θ1，θ2，…θn)；
步骤D2：调用无人车辆上的车速记录仪，得到无人车辆在采集时间间隔T内的行驶速度V(V1，V2，…Vn)；
在不同偏角下，车辆的行驶阻力为F＝Ga·cosθ，Ga为车重，则对应的无人车辆克服阻力做功增加的功率为：P(t)＝Ga·V·θT，得到无人驾驶车辆在指定间隔时间T内的道路坡道损耗功率。
8.根据权利要求2-5任一项所述的方法，其特征在于，利用均匀对称分布在电池表面的
16个温度传感器实时采集无人驾驶车辆的电池温度，通过插值处理，拟合出电池表面的三维温度分布数据图，并从中取极大值作为电池温度。
9.一种实现权利要求1-8任一项所述方法的基于并行神经网络的无人驾驶车辆电源预测系统，其特征在于，包括：
车身降雨阻力计算模块，利用设置在车身表面的力敏传感器采集的数据进行连续协方差融合获得各车身表面的降雨阻力；
车身电池温度拟合计算模块，利用设置在电池表面的温度传感器采集的电池温度数据进行插值处理后，再利用插值后的数据拟合出电池表面的三维温度分布数据图，并从中取极大值作为电池温度；
道路坡道损耗功率计算模块，利用安装在车底的水平仪采集的车身偏角信息，结合车辆行驶速度计算获得；
道路积水阻力计算模块，利用车载的Kinect摄像头采集道路积水图像，并采用Sobel算子确定车辆穿水阻力，利用设置在道路侧边的红外检测仪采集道路上的积水数量、长度和深度信息结合车辆穿水阻力计算道路积水阻力；
电源预测模块，包括基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型和基于BP神经网络的无人驾驶车辆剩余电量预测模型，利用车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型，获得当前时间在指定时间间隔T时间内的电池耗电率，并基于获得的当前电池耗电率以及实时剩余电量，输入基于BP神经网络的无人驾驶车辆剩余电量预测模型，获得经过指定时间间隔T时的剩余电量。