智能网联队列作为智能交通系统的重要组成部分，具备强安全性、高燃油经济性以及舒适性好等特点，在商用车的货物运输领域中具有显著的应用价值，得益于车辆间的网联通信功能，网联车队可有效缩短车辆间的跟车距离，降低行驶风阻，提升燃油经济性，改善通行效率。但在实际应用中，车辆间的网络通信存在变通信时延与丢包等网络通信问题，且商用车通常具有较大的车辆响应迟滞，会严重影响队列的行驶性能。因此，考虑到商用车特有的高响应迟滞特性，需要对商用车队列进行补偿相应补偿控制。 相关技术中，车辆间通信时延补偿方法主要有卡尔曼滤波、基于神经网络的信息预测等，然而，上述方法存在一些弊端： (1)上述通信时延补偿方法均需要额外建立单独的时延补偿单元，从而会导致控制系统复杂化，增加了车载计算单元的数据处理负担；(2)卡尔曼滤波器假设系统的动态特性和噪声服从线性高斯分布，但在实际情况中，车辆运动可能会受到非线性因素的影响，当系统的动态特性与卡尔曼滤波的假设不符时，其性能可能会受到影响；(3)卡尔曼滤波器对初始状态的估计非常敏感，若初始状态的估计不准确，则可能会导致滤波器收敛缓慢或者不稳定；(4)基于神经网络的时延补偿方法需要高度依赖训练样本数据的数量与质量，存在数据依赖性强、过拟合以及可解释性差等问题，亟需解决。