1.一种构建汽车行驶工况的方法，其特征在于，包括以下步骤：

获取汽车行驶的原始GPS数据，对汽车行驶的原始GPS数据进行预处理；

采用短行程划分方法对预处理后的数据进行运动学片段的划分；

对运动学片段进行特征计算，得到运动学片段的特征参数，采用主成分分析方法对无关特征进行过滤，得到有效的特征参数；

采用K-Means聚类将运动学片段划分为四个片段库，分别是：低速区间片段库、中速区间片段库、高数区间片段库和极高速区间片段库；

构建训练数据集：将每个片段库中的所有运动学片段进行拼接，得到四个长片段，将四个长片段作为训练数据集；

将上述训练数据集输入至长短期记忆神经网络模型中进行训练，得到训练好的长短期记忆神经网络模型模型；

利用训练好的长短期记忆神经网络模型进行预测，得到四个片段库分别对应的时间-速度预测曲线，具体过程包括：将训练数据集的最后一个样本数据作为第一个输入元素，输入到训练好的长短期记忆神经网络模型中，输出第一预测序列；删除第一个输入元素，将第一预测值作为第二输入元素，输入模型得到第二预测序列；以此类推最终得到一个片段库的预测序列，得到四个片段库分别对应的时间-速度预测曲线；

得到四个片段库分别对应的时间-速度预测曲线之后，根据四个片段库分别在整个运动学片段中所占的时间比例，确定四类片段库分别在最终工况合成中所占的时间，将四个速度段的曲线合并为一条工况曲线；

将所述工况曲线发送给控制设备，控制设备根据工况曲线对车辆尾气排放进行评估和环保等级评定。

2.根据权利要求1所述的一种构建汽车行驶工况的方法，其特征在于，对汽车行驶的原始GPS数据进行预处理包括：从头开始对汽车行驶的原始GPS数据进行遍历搜索，寻找第一时间断点，从第一时间断点处将原始GPS数据划分成不同的行驶片段；

判断得到的行驶片段内部是否存在第二时间断点，若存在第二时间断点，则根据第二时间断点前后的速度数据采用改进的多项式拟合方法拟合出一系列新的速度数据点，对行驶片段内部的第二时间断点进行补充；

数据拟合补充完成之后，计算出各个行驶片段每个时间点的加速度，根据加速度异常筛选规则，将加速度异常的行驶片段从数据中剔除；

对于大于180秒的长期怠速的异常数据，使用大小为180的滑动窗口，对每个片段的时间和车速进行滑动，滑动的步长为1s，窗口滑动过程中，如果窗口中的所有数据都为怠速数据，则筛除窗口的第一条数据；当窗口的尾部滑到行驶片段的尾部时，如果此时窗口中的数据均为怠速数据，则该窗口中的数据全部筛除，以此类推对所有行驶片段进行筛除数据，得到预处理后的数据。

3.根据权利要求1所述的一种构建汽车行驶工况的方法，其特征在于，采用短行程划分方法对预处理后的数据进行运动学片段划分包括：先判断每个行驶片段的行驶时长是否大于20s，若小于20s，则剔除该条行驶片段；若大于20s，则根据运动学片段的寻找规则从该行驶片段中寻找运动学片段，所述运动学片段的寻找规则包括：

(1)从行驶片段的起始时间向下寻找第一个GPS车速为0的点，即怠速起点，如果找到了怠速起点，则记录该怠速起点的位置；接着继续向下找第一个GPS车速不为0的点，即中间点，记录该中间点的位置；

(2)计算中间点到怠速起点的时间差，如果时间差大于20s，则将怠速起点的位置向下移动20s，再判断中间点到怠速起点的时间差，直至时间差小于20s为止；寻找下一个GPS车速为0的点，即该运动学片段的怠速终点，记录该怠速终点的位置；

(3)根据运动学片段筛选规则对该运动学片段进行筛选，若满足运动学片段筛选规则，则根据记录的怠速起点和怠速终点的位置将运动学片段从行驶片段中提取出来；

所述运动学片段筛选规则包括：

(1)运动学片段的持续时间不少于20秒，即从一个怠速起点开始至下一个怠速起点的时间至少为20秒；

(2)运动学片段至少包含一个加速状态和一个减速状态，因此，运动学片段中至少要有满足车辆的加速度大于0.1m/s2和减速度小于-0.1m/s2的连续片段；

(3)运动学片段的怠速时长不超过20秒。

4.根据权利要求1所述的一种构建汽车行驶工况的方法，其特征在于，运动学片段的特征参数包括时间特征参数、速度特征参数和加速度特征参数，其中，时间特征参数包括：运行时间t(s)、匀速时间ti(s)、怠速时间tc(s)、加速时间ta(s)、减速时间td(s)；速度特征参数包括：平均速度vm(km/h)、平均行驶速度vmr(km/h)、最大速度vmax(km/h)、速度标准差vstd(km/h)；加速度特征参数包括：平均加速度ama(m/s2)、平均减速度amd(m/s2)、加速度标准差astd(m/s2)、匀速时间比Pc(％)、怠速时间比Pi(％)、加速时间比Pa(％)、减速时间比Pd(％)。

5.根据权利要求1所述的一种构建汽车行驶工况的方法，其特征在于，采用K-Means聚类将运动学片段划分为四个片段库具体包括以下步骤：S41、首先从所有运动学片段中随机选择4个运动学片段作为初始聚类中心；

S42、进行簇的指派操作：计算每个运动学片段分别到4个初始聚类中心的欧式距离，根据运动学片段与初始聚类中心的欧氏距离进行分类，将每一个运动学片段指派到欧氏距离最近的那个初始聚类中心，形成4个簇；

S43、得到4个簇后，重新计算每个簇的聚类中心，执行步骤S42，直至每一个簇的运动学片段组成不再发生变动，最终得到运动学片段的四个片段库。

6.根据权利要求5所述的一种构建汽车行驶工况的方法，其特征在于，运动学片段到聚类中心的欧式距离的计算方式包括：其中，dij为第i个运动学片段到聚类中心j的欧式距离，x′im为第i个运动学片段的第m个特征要素， 为聚类中心j的第m个特征要素。

7.根据权利要求1所述的一种构建汽车行驶工况的方法，其特征在于，所述长短期记忆神经网络模型的结构包括：输入层、LSTM层、全连接层和输出层。

8.根据权利要求1所述的一种构建汽车行驶工况的方法，其特征在于，训练数据集在输入模型之前需要先进行预处理，对训练数据集的预处理包括：丢弃长片段的时间维度，保留长片段的速度维度；

设定一个滑动窗口，窗口的长度为时间步的大小，将窗口在长片段上从起始位置向后滑动，每次滑动步长为1秒，取当前时刻窗口所覆盖区域的速度-时间序列片段作为当前时刻的速度-时间序列，取下一时刻窗口所覆盖区域的初始速度值作为当前时刻窗口所覆盖区域的标签；

以此类推，分别对四个长片段进行预处理，得到四个长片段预处理后的DL,DM,DH,DEH训练数据集。