1.一种基于人工神经网络的车辆协同换道方法，其特征在于，包括以下步骤：
S1：换道数据采集及换道需求判断：
a1、换道数据采集：通过安装在车辆上的数据采集模块采集车辆在行驶过程中的路况信息，所述路况信息包括车辆在当前车道的速度及加速度、相邻车道中与当前车辆对应的前导车辆的速度及加速度、相邻车道中与当前车辆对应的滞后车辆的速度及加速度和周边限制要素的运动速度，以及当前车辆与所述前导车辆、滞后车辆以及周边限制要素之间的相对距离；所述前导车辆是位于当前车辆前方的车辆；所述滞后车辆是位于当前车辆后方的车辆；
a2、换道需求判断：根据换道需求判断条件，判断当前车辆是否有换道需求：若当前车辆同时不满足换道需求判断条件，则当前车辆不需要换道，即放弃换道；若当前车辆满足需求判断条件中的至少一条，则当前车辆需要换道；所述换道需求判断条件为：
其中，Δxi为当前车辆i与前导车辆或周边交通要素之间的相对距离，vie为当前车辆i的预设期望速度，vic为当前车辆i的速度，vi+1为与当前车辆i对应的前导车辆的速度，Tsafe为预设安全时距，Tmin为预设最小反应时间，vbar为周边限制要素的运动速度，i≥1；
S2、博弈收益计算：建立与换道行为相对应的博弈换道模型：将步骤a2中需要换道的车辆的可能行为策略作为行描述，将该车辆对应的滞后车辆的可能行为策略作为列描述，建立与换道行为相对应的博弈换道模型；并以博弈收益值数值对作为博弈换道模型的元素，每个博弈收益值数值对作为在对应行描述和列描述条件下的数值表示；提取博弈换道模型的元素构建成为博弈收益矩阵，博弈收益矩阵中的元素为(Pij，Qij)，其中，Pij、Qij分别为在行描述i和列描述j的条件下，需要换道的车辆及与该车辆对应的滞后车辆的博弈收益值，且通过以下公式获得：
Pij(或Qij)＝α*A+β*B
其中，α、β为权重系数，且满足α+β＝1，α、β的初始值均为0.5；对于需要计算博弈收益的车辆VX，A、B分别由以下公式计算：
其中，vX为车辆VX的速度，aX为车辆VX的加速度，Δt为采集间隔时间，ΔxA为车辆VX与前导车辆的相对距离，ΔxB为车辆VX与滞后车辆的相对距离，vxaccsafe为车辆VX加速时的安全速度，vxdecsafe为车辆VX减速时的安全速度；
所述车辆VX加速时的安全速度vxaccsafe的获取方法为：
当车辆VX加速时，设车辆VA为此时车辆VX的期望前导车辆，车辆VA与车辆VX的距离为Δx，通过数据采集模块得到期望前导车辆VA的速度、加速度分别为vA、aA，车辆VX的速度、加速度分别为vX、aX，采集间隔为Δt，最小反应时间tmin，则使车辆VX加速后经过T＝Δt+tmin与VA碰撞的速度vmax满足以下条件：
求出vmax后，得到车辆VX加速的安全速度vXaccsafe为：
decsafe
车辆VX减速时的安全速度vx 的获取方法为：
当车辆VX减速时，设车辆VC为此时车辆VX的期望前导车辆，通过步骤S1得到车辆VC与车辆VX的距离为ΔxC，期望前导车辆VC的速度、加速度分别为vC、aC，车辆VX的速度、加速度分别为vX、aX；采集间隔为Δt，最小反应时间tmin，则使VX减速后经过T＝Δt+tmin与VC碰撞的速度vmax1满足以下条件：
同时，车辆VX需要避免与其滞后车辆VB发生碰撞，通过步骤S1采集到的车辆VX与车辆VB的相对距离为ΔxB，VB的速度、加速度分别为vB、aB，车辆VX的速度、加速度分别为vX、aX，采集间隔为Δt，最小反应时间tmin，则使车辆VX减速后经过T＝Δt+tmin与VB碰撞的速度vmax2满足：
得到减速后的最大速度vmax、安全减速度asafe分别为：
vmax＝max{vmax1,vmax2}
车辆VX减速的安全速度vXdecsafe为：
S3、驾驶风格得分计算：通过人工神经网络使用反向传播算法，将步骤S1得到的速度、加速度和相对距离作为输入值计算速度得分、加速度得分、安全时距得分，并将上述得分作为输入值输入神经网络的输出函数中得到驾驶风格得分：
b1、计算速度得分：使用Krauss模型的安全速度公式分别计算需要换道车辆及与需要换道车辆相对应的前导车辆和滞后车辆的安全速度
速度得分EV为：
其中，visafe(t+Δt)为待评分车辆i在t+Δt时刻的安全速度，Δt为观察时间，vi+1(t)为与待评分车辆i对应的前导车辆i+1在t时刻的速度，Δxi(t)为待评分车辆i与前导车辆i+1在t时刻的相对位移，Δvi(t)为待评分车辆i与前导车辆i+1在t时刻的相对速度差，T为预设反应时间，a为最大加速度，vmax为预设最高速度，vmin为预设最低速度；
b2、计算加速度得分：
利用以下公式分别计算需要换道车辆及与需要换道车辆相对应的前导车辆和滞后车辆加速度积分Ia：
Ia＝∫tt+Δt|a|x(t)dt
加速度得分EA为：
其中，Ia为加速度积分，a为待评分车辆的加速度值，Δt为自车辆决定换道到观察分析的时间差，|a|x为人类对加速度的主观感受函数，abrk为车辆最大制动加速度；
b3、计算安全时距得分：
利用以下公式计算安全时距Tsafe：
安全时距得分ES为：
其中，Tsafe为安全时距；Δxsafe(vi)为使车辆vi完全停止的最小距离，L为车身长度，xbrk为制动距离，vi为当前车辆i的速度，Tmin为预设最小反应时间；
b4、计算驾驶风格得分：将得到的速度得分、加速度得分和安全时距得分作为输入值输入到神经网络的输出函数 中得到驾驶风格得分，其中， 采用非线性S型的
Log-Sigmoid函数：
其中， 为神经元激发函数：
其中，n为列描述的个数，xi为车辆i的速度得分、加速度得分、安全时距得分，wji、bj分别为激活函数的权重和偏置,权重和偏置为由人工神经网络自学习调整得到， 的值域为(0，1)；
整个神经网络的误差函数如下所示：
其中，d为真实值；
通过梯度下降法调整人工神经网络的权值：
其中，η为学习速度；
S4、权重调整：确定权重系数α、β：由α+β＝1，权重即需换道车辆的前导车辆与滞后车辆驾驶风格得分在总分中的占比：
其中，OA为前导车辆的驾驶风格得分，OB为滞后车辆的驾驶风格得分；
S5、换道决策：根据步骤S4得到的调整后的权重重新计算步骤S2的博弈收益值，设p为当前车辆VC换道的概率，q1为滞后车辆VL加速的概率，q2为滞后车辆VL减速的概率，则VC、VL的混合概率期望收益EC、EL如下所示：
EC(p,q1,q2)＝p[P'13-P'23+q1(P'11+P'23-P'13-P'21)+q2(P'12+P'23-P'13-P'22)]+[P'23+q1(P'21-P'23)+q2(P'22-P'23)]
EL(p,q1,q2)＝Q'23+p(Q'13-Q'23)+q1[Q'21-Q'23+p(Q'11+Q'23-Q'13-Q'21)]+q2[Q'22-Q'23+p(Q'12+Q'23-Q'13-Q'22)]
其中，P'ij,Q'ij分别为使用步骤S4调整后的权重获得的车辆VC、VL的博弈收益值；通过对求解概率参数(p,q1,q2)的至少一个最优解(p*,q1*,q2*)，使EC、EL达到最大，即满足：
车辆根据(p*,q1*,q2*)的值决定是否执行换道或放弃换道。
2.根据权利要求1所述的一种基于人工神经网络的车辆协同换道方法，其特征在于，所述周边限制要素包括障碍物、重型车辆、应急车辆。
3.一种基于人工神经网络的车辆协同换道系统，其特征在于，包括以下模块：
换道数据采集及换道需求判断模块：包括以下模块：
换道数据采集模块：在车辆上安装数据采集模块用于采集并输出车辆在行驶过程中的路况信息，所述路况信息包括车辆在当前车道的速度及加速度、相邻车道中与当前车辆对应的前导车辆的速度及加速度、相邻车道中与当前车辆对应的滞后车辆的速度及加速度和周边限制要素的运动速度，以及当前车辆与所述前导车辆、滞后车辆以及周边限制要素之间的相对距离；所述前导车辆是位于当前车辆前方的车辆；所述滞后车辆是位于当前车辆后方的车辆；
换道需求判断模块：用于根据换道需求判断条件，判断当前车辆是否有换道需求：若当前车辆同时不满足换道需求判断条件，则当前车辆不需要换道，即放弃换道；若当前车辆满足需求判断条件中的至少一条，则当前车辆需要换道；所述换道需求判断条件为：
e
其中，Δxi为当前车辆i与前导车辆或周边交通要素之间的相对距离，vi为当前车辆i的预设期望速度，vic为当前车辆i的速度，vi+1为与当前车辆i对应的前导车辆的速度，Tsafe为预设安全时距，Tmin为预设最小反应时间，vbar为周边限制要素的运动速度，i≥1；
博弈收益计算模块：用于建立与换道行为相对应的博弈换道模型：将换道需求判断模块中需要换道的车辆的可能的行为策略作为行描述，将该车辆对应的滞后车辆可能的行为策略作为列描述，建立与换道行为相对应的博弈换道模型；并以博弈收益值数值对作为博弈换道模型的元素，每个博弈收益值数值对作为在对应行描述和列描述条件下的数值表示；提取博弈换道模型的元素构建成为博弈收益矩阵，博弈收益矩阵中的元素为(Pij，Qij)，其中，Pij、Qij分别为在行描述i和列描述j的条件下，需要换道的车辆，及与该车辆对应的滞后车辆的博弈收益值，且通过以下公式获得：
Pij(或Qij)＝α*A+β*B
其中，α、β为权重系数，且满足α+β＝1，α、β的初始值均为0.5；对于需要计算博弈收益的车辆VX，A、B分别由以下公式计算：
其中，vX为车辆VX的速度，aX为车辆VX的加速度，Δt为采集间隔时间，ΔxA为车辆VX与前导车辆的相对距离，ΔxB为车辆VX与滞后车辆的相对距离，vxaccsafe为车辆VX加速时的安全速度，vxdecsafe为车辆VX减速时的安全速度；
所述车辆VX加速时的安全速度vxaccsafe的获取方法为：
当车辆VX加速时，设车辆VA为此时车辆VX的期望前导车辆，车辆VA与车辆VX的距离为Δx，通过数据采集模块得到期望前导车辆VA的速度、加速度分别为vA、aA，车辆VX的速度、加速度分别为vX、aX，采集间隔为Δt，最小反应时间tmin，则使车辆VX加速后经过T＝Δt+tmin与VA碰撞的速度vmax满足以下条件：
求出vmax后，得到车辆VX加速的安全速度vXaccsafe为：
车辆VX减速时的安全速度vxdecsafe的获取方法为：
当车辆VX减速时，设车辆VC为此时车辆VX的期望前导车辆，通过换道数据采集及换道需求判断模块得到车辆VC与车辆VX的距离为ΔxC，期望前导车辆VC的速度、加速度分别为vC、aC，车辆VX的速度、加速度分别为vX、aX；采集间隔为Δt，最小反应时间tmin，则使VX减速后经过T＝Δt+tmin与VC碰撞的速度vmax1满足以下条件：
同时，车辆VX需要避免与其滞后车辆VB发生碰撞，通过换道数据采集及换道需求判断模块采集到的车辆VX与车辆VB的相对距离为ΔxB，VB的速度、加速度分别为vB、aB，车辆VX的速度、加速度分别为vX、aX，采集间隔为Δt，最小反应时间tmin，则使车辆VX减速后经过T＝Δt+tmin与VB碰撞的速度vmax2满足：
得到减速后的最大速度vmax、安全减速度asafe分别为：
vmax＝max{vmax1,vmax2}
车辆VX减速的安全速度vXdecsafe为：
驾驶风格得分计算模块：用于通过人工神经网络使用反向传播算法，将换道数据采集及换道需求判断模块得到的速度、加速度和相对距离作为输入值计算速度得分、加速度得分、安全时距得分，并将上述得分作为输入值输入神经网络的输出函数中输出驾驶风格得分：包括以下模块：
速度得分计算模块：用于使用Krauss模型的安全速度公式分别输出需要换道车辆及与需要换道车辆相对应的前导车辆和滞后车辆的安全速度
速度得分EV为：
其中，visafe(t+Δt)为待评分车辆i在t+Δt时刻的安全速度，Δt为观察时间，vi+1(t)为与待评分车辆i对应的前导车辆i+1在t时刻的速度，Δxi(t)为待评分车辆i与前导车辆i+1在t时刻的相对位移，Δvi(t)为待评分车辆i与前导车辆i+1在t时刻的相对速度差，T为预设反应时间，a为最大加速度，vmax为预设最高速度，vmin为预设最低速度；
加速度得分计算模块：
用于利用以下公式分别输出需要换道车辆及与需要换道车辆相对应的前导车辆和滞后车辆加速度积分Ia：
Ia＝∫tt+Δt|a|x(t)dt
加速度得分EA为：
其中，Ia为加速度积分，a为待评分车辆的加速度值，Δt为自车辆决定换道到观察分析的时间差，|a|x为人类对加速度的主观感受函数，abrk为车辆最大制动加速度；
安全时距得分计算模块：
用于利用以下公式计算安全时距：
Tsafe
安全时距得分ES为：
其中，Tsafe为安全时距；Δxsafe(vi)为使车辆vi完全停止的最小距离，L为车身长度，xbrk为制动距离，vi为当前车辆i的速度，Tmin为预设最小反应时间；
驾驶风格得分计算模块：将得到的速度得分、加速度得分和安全时距得分作为输入值输入到神经网络的输出函数 中得到驾驶风格得分，其中， 采用非线性S型
的Log-Sigmoid函数：
其中， 为神经元激发函数：
其中，n为列描述的个数，xi为车辆i的速度得分、加速度得分、安全时距得分，wji、bj分别为激活函数的权重和偏置,权重和偏置为由人工神经网络自学习调整得到， 的值域为(0，1)；
用于计算整个神经网络的误差函数：
其中，d为真实值；
用于通过梯度下降法调整人工神经网络的权值：
其中，η为学习速度；
权重调整模块：包括以下部分：
用于确定权重系数α、β：由α+β＝1，权重即需换道车辆的前导车辆与滞后车辆驾驶风格得分在总分中的占比：
其中，OA为前导车辆的驾驶风格得分，OB为滞后车辆的驾驶风格得分；
换道决策模块：用于根据权重调整模块得到的调整后的权重重新计算博弈收益计算模块的博弈收益值，设p为当前车辆VC换道的概率，q1为滞后车辆VL加速的概率，q2为滞后车辆VL减速的概率，则车辆VC、VL的混合概率期望收益EC、EL如下所示：
EC(p,q1,q2)＝p[P'13-P'23+q1(P'11+P'23-P'13-P'21)+q2(P'12+P'23-P'13-P'22)]+[P'23+q1(P'21-P'23)+q2(P'22-P'23)]
EL(p,q1,q2)＝Q'23+p(Q'13-Q'23)+q1[Q'21-Q'23+p(Q'11+Q'23-Q'13-Q'21)]+q2[Q'22-Q'23+p(Q'12+Q'23-Q'13-Q'22)]
其中，P'ij,Q'ij分别为使用权重调整模块调整后的权重获得的VC、VL的博弈收益值；通过对求解概率参数(p,q1,q2)的至少一个最优解(p*,q1*,q2*)，使EC、EL达到最大，即满足：
车辆根据(p*,q1*,q2*)的值输出是否执行换道或放弃换道。
4.根据权利要求3所述的一种基于人工神经网络的车辆协同换道系统，其特征在于，所述周边限制要素包括障碍物、重型车辆、应急车辆。