1.一种基于马尔可夫链与神经网络的汽车行驶工况预测方法，其特征在于，主要包括以下步骤：

1)获取表征汽车行驶工况的所述特征参数和n个历史临近车速Vt-1、Vt-2、……Vt-n；将特征参数分为两组，第一组数据记为X(n)，第二组数据记为S(n)；将n个历史临近车速Vt-31、Vt-32、……Vt-3n记为第三组数据；

2)将第一组数据和第二组数据作为马尔可夫链模型的输入，对马尔可夫链模型进行训练，从而得到马尔可夫链车速趋势预测模型；

3)将第二组数据作为马尔可夫链车速趋势预测模型的输入，输出第二组数据的趋势预测结果Vt+21、Vt+22、……、Vt+2m；

4)利用主成分分析法得到第一组数据的p个瞬时主成分；

利用主成分分析法对第三组数据进行降维，从而得到第三组数据的l个瞬时主成分；

4)利用第一组数据的p个瞬时主成分和历史临近车速Vt-11、Vt-12、……Vt-1n训练神经网络ANN1，从而得到神经网络ANN1车速初始预测模型。

6)对神经网络ANN1车速初始预测模型进行测试，并输出第二组数据的初始预测数据Vt+11、Vt+12、……、Vt+1m；

7)将第二组数据的初始预测数据Vt+11、Vt+12、……、Vt+1m和趋势预测结果Vt+21、Vt+22、……、Vt+2m作为神经网络ANN2融合器的输入，第二组数据作为神经网络ANN2融合器的输出，对神经网络ANN2融合器进行训练，从而得到神经网络ANN2融合器模型；

8)将第三组数据和第三组数据的l个瞬时主成分输入到神经网络ANN1车速初始预测模型中，得到第三组数据的初始预测数据V’t+11、V’t+12、……、V’t+1m；

将第三组数据和第三组数据的l个瞬时主成分输入到马尔可夫链车速趋势预测模型中，得到第三组数据的趋势预测结果V’t+21、V’t+22、……、V’t+2m；

9)将第三组数据的初始预测数据V’t+11、V’t+12、……、V’t+1m和趋势预测结果V’t+21、V’t+22、……、V’t+2m输入到神经网络ANN2融合器中，得到神经网络ANN2融合器的输出，即汽车行驶工况的预测结果。

2.根据权利要求1所述的一种基于马尔可夫链与神经网络的汽车行驶工况预测方法，其特征在于：得到第一组数据的k个瞬时主成分的主要步骤如下：

1)记第一组数据为x＝(x1,x2,...,xp)'；集合x的期望记为E(x)＝μ；x的协方差记为var(x)＝Σ；

2)对第一组数据进行线性变换，即：

式中，a1,a2,...,ap均为单位向量；x为第一组数据集合；

3)计算线性变换数据y1的方差；

3.1)设λ1≥λ2≥...≥λp≥0为协方差Σ的p个特征值；t1,t2,...,tp为相应单位正交特征向量；协方差Σtα如下所示：Σtα＝λ1tα,t'αtα＝1,t'αtβ＝0,α≠β；α,β＝1,2,...,p；      (2)式中，λ1为协方差Σ的特征值；tα为相应单位正交特征向量；

3.2)x的协方差Σ如下所示：

式中，T＝(t1,t2,...,tp)为正交矩阵；Λ为对角线元素λ1≥λ2≥...≥λp≥0的对角矩阵；

3.3)结合步骤3.1和步骤3.2计算得到线性变换数据y1的方差，即：

4)根据线性变换数据y1的方差计算得到第一组数据的瞬时主成分表达式，即：yβ＝t'βx＝t1βx1+vt2βx2+...+tpβxp,β＝1,2,...,p；      (5)式中，x为第一组数据集合；T＝(t1,t2,...,tp)为正交矩阵。