1.一种基于时空学习的马尔科夫链微行程间隔时长预测方法，其特征在于：
包括有工况数据采集模块、怠速时长预测模块和有效速度时间序列确定模块；
所述的工况数据采集模块采集大量速度工况数据作为训练样本和实时地采集车辆的速度工况数据，有效速度时间序列确定，对采集的工况数据进行分析判断数据的有效性和可靠性，去除噪音数据；
所述的怠速时长预测模块根据时间信息和空间信息确定与实时采集数据相关度更高的训练数据子集，并使用该子集合学习并转移矩阵，并使用该转移矩阵预测怠速时长类别；
所述的有效速度时间序列确定模块通过中值滤波方法去除采集的速度数据和经纬度数据中由于设备波动等原因出现的数据噪音，并根据速度数据的相关性确定最适合的有效速度时间序列的长度。
2.根据权利要求1所述的一种基于时空学习的马尔科夫链微行程间隔时长预测方法，其特征在于：所述的工况数据采集模块在车辆行驶的过程中实时采集车辆速度时间序列和经纬度信息作为训练数据。
3.根据权利要求1所述的一种基于时空学习的马尔科夫链微行程间隔时长预测方法，其特征在于：所述的怠速时长预测模块首先根据时间和空间信息确定当前实时采集数据在训练数据集合中的相关数据子集，根据数据子集合中子集的数据确定状态空间并计算一步转移概率矩阵，并根据该概率矩阵预测未来N步的状态，并根据预测得到的未来N步的状态判断下一次怠速工况可能的持续时间。所述的空间信息包括经纬度信息。