1.一种不同天气状况下机动车驾驶行为预测方法，其特征在于，包括以下步骤：S1：构建Catboost回归预测模型；

S2：从前车车载电脑设备中获取车辆行驶速度以及行车加速度的数据，得到数据data1；数据为当前的行车速度和行车加速度，每3秒采集一次，得到数据speed和acceleration；结合车辆行驶时间的天气状况，将晴天、雨天、雪天、雾天四种天气变量列为标签，合并进数据data1，命名为数据data2；

S3：使用pandas工具的info()方法统计特征缺失情况；使用pandas工具的describe()方法统计变量的平均值，标准差，最大值，最小值，分位数信息；确认数据无异常情况，对数据进行计算，得到数据data3；

所述S3的对数据进行计算具体步骤包括：

S3.1、计算初始状态矩阵：统计数据中speed和acceleration的变换，序列标记分别为加速，减速，匀加速，匀减速，匀速的次数，即得到了初始状态矩阵A；

S3.2、HMM描述了两个随机过程之间的关系：一个由一组隐藏的状态S = {S1，S2，...，SN}，其中N为无法直接测量的隐藏状态的数量；另一个随机过程由一组M个观察符号V ={V1，V2，...，VM}；隐藏状态序列是Q= {Q1，Q2，...，QT}，观察序列是O = {O1，O2，...，OT}，其中T是序列的长度；使用HMM参数的序列通过分析观察序列来确定未观察到的状态；由数据speed和acceleration得到状态转移矩阵B：B＝[bij]n*n

其中，bij是在时刻t处于状态Si的条件下时刻t+1转移到状态Sj的概率bij＝P(qt＝0|it＝st )；

S3.3、计算预测序列的概率，得到数据data3；

S4：标签建立，将数据集data3拆分，分为训练集和测试集，70%训练集和20%测试集；

S5：构建调优模型；Catboost采用了完全对称树作为基模型，嵌入了自动将类别型特征处理为数值型特征的算法；

所述S5的具体步骤包括：

S5.1：对分类特征进行统计，计算特征出现的频率；

S5.2：加上超参数，生成新的数值型特征；

S5.3：在对模型调优时使用超参数自动化框架Optuna单次执行，负责管理优化，记录实验结果；

S6：减免预测实验模型梯度消失，深层网络拟合同等函数需要用到resnet，潜在的恒等映射函数为：H(X)=X，将网络设计成H(X)=F(X)+X，利用1*1的卷积改变通道数目，转化为残差函数：F(X)=H(X)=X；

S7：将预测概率data3的训练集和测试集通过Catboost回归预测模型，所得结果概率data_pred，将data_pred返还HMM模型，得到输出的预测结果predicted speed和predictedacceleration；

所述S7的具体步骤包括：S7.1：分别输入晴天、雨天、雪天、雾天四种天气变量；

S7.2：其他车辆的驾驶行为预测结果作为本车辆行驶依据；

S7.3：模型评价，使用平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE和决定系数R2来测试模型训练效果。

2.根据权利要求1所述的一种不同天气状况下机动车驾驶行为预测方法，其特征在于，所述S1的具体步骤包括：S1.1：进行参数设置，迭代次数为100，树的深度为4，采用0.03的学习率，随机数种子设置为99；S1.2：建立特征数据和标签数据，y为标签数据，除y之外的为特征数据X=data.drop(columns=[‘y’]) Y=data[‘y’]，训练模型。