本文将带有无级变速器（CVT）的并联混合动力汽车作为研究对象,以模型预测控制（MPC）框架作为能量管理核心,建立了基于机器学习预测短期时域未来工况速度的三种预测器模型,还建立了车路协同红绿灯纵-横速度规划模型,提前规划了队列车辆在抽象道路中的工况速度。主要成果包括:（1）对并联混合动力汽车的拓扑结构进行了数学建模,分析了并联混合动力汽车不同的工作模式,奠定了并联混合动力汽车能量管理应用的基础。（2）完成了基于机器学习的三种不同未来工况预测器的建模。其中对支持向量机（SVM）预测器进行自回归处理,使它能够预测短期时域工况;对前馈神经网络（FNN）进行了改造,增加了Dropout技术,降低了训练过程中的过拟合现象。由于速度具有时间序列性质,因此还采用了长短期记忆神经网络（LSTM）进行未来工况的预测。将历史工况作为训练集,训练三种预测器模型,对不同预测器模型的均方根误差进行了对比分析,其中LSTM神经网络预测效果最佳,前馈神经网络预测效果次之,自回归支持向量机最差。该思路为短期时域速度预测提供了新思路。（3）对比了短期时域工况不同预测精度对车辆能量管理燃油消耗的影响,发现了预测精度越高,燃油消耗越低的现象。调整不同的预测域大小,统计不同预测域大小对燃油消耗的影响,总结出了油耗最小时对应的预测域值,从而分别得到了三种不同预测器对应的最佳预测域值。验证了短期工况预测方法在混合动力汽车能量管理中具有有效性。（4）实现了车路协同红绿灯信号点的抽象正时模型,将燃油经济性、车车间距安全性、绿灯信号区间通过性作为代价函数的目标,利用模型预测控制框架求解得到了能规避红灯信号时间线的最佳纵向速度曲线。为了保证队列车辆行驶的车车间距安全性,提出了根据车辆间距进行换道操作的横向规划模型,利用庞特里亚金最小值原理（PMP）求解出了以加加速度积分为代价函数的横向最优舒适度速度曲线。解决了车路协同过程中未来工况长期规划的问题。（5）使用MATLAB自动驾驶工具箱实现了纵-横速度合成后的车辆行驶可视化轨迹,分析了队列车辆产生分离现象的原因。将第1组与第2组的合成速度工况摘出,利用模型预测控制能量管理方法得到队列车辆的燃油消耗值,分析了对比了两组队列车辆的燃油消耗值和主要部件的工作状态,进一步验证了未来速度工况已知对高效的能量管理策略有重要意义。