1.一种联合时空信息的智能驾驶多步长时行为决策方法，其特征在于包括如下步骤：
2.根据权利要求1所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述步骤s1包括如下步骤：
3.根据权利要求2所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：
4.根据权利要求1所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述步骤s2包括如下步骤：
5.根据权利要求4所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述步骤s2.3.2中的纵向一步速度规划模型p纵向具体为：假定以时空轨迹树的节点nodei作为纵向一步速度规划模型p纵向的起始状态，以交通参与者第di步的预测状态作为p纵向环境状态信息，p纵向根据起始状态与环境状态等信息规划输出一下步考虑智能汽车v本体动力学与运动学约束的速度与位置；p纵向基于规则构建，或为可学习的网络模型。
6.根据权利要求5所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述纵向一步速度规划模型p纵向为：vd=max{vmin, min{vmax, dist(nodei, txaheadi(di))/ht}}与sd=si+vd×dt，其中，vd为nodei的直系子节点的期望速度值，vmin与vmax分别为在nodei的直系子节点能达到的最小速度与最大速度，dist(ni, txaheadi(di))为nodei位置与它所在车道前方第一个交通参与者之间的距离，ht为最短车头时距，si为nodei的位置，sd为nodei的直系子节点的期望位置，dt为一步规划的时间。
7.根据权利要求4所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述步骤s2.3.2中的横向一步换道决策模型p横向具体为：假定以时空轨迹树的节点nodei作为横向一步换道决策模型p横向的起始状态，以交通参与者第di步的预测状态作为p横向环境状态信息，以nodei所在车道的领近车道x∈slane为目标车道，p横向根据起始状态、环境状态以及目标车道输出一下步能否变换车道等决策信息；p横向基于规则构建，或为可学习的网络模型。
8.根据权利要求7所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述横向一步换道决策模型p横向为：若dist(nodei, tpbehind(di))>d1且dist(nodei,tpahead(di))>d2，也即若节点nodei所在位置处与旁边车道p后方与前方第一个交通参与者的距离分别大于d1与d2时，则vd=max{vmin, min{vmax, dist(nodei, tpaheadi(di))/ht}}与sd=si+vd×dt，其中，d1与d2为设定的车间安全间隔，vmin与vmax分别为在ni的直系子节点能达到的最小速度与最大速度，dist(nodei, tpaheadi(di))为nodei位置与旁边车道p前方第一个交通参与者之间的距离，ht为最短车头时距，si为nodei的位置,sd为nodei的直系子节点的期望位置，dt为一步规划的时间。
9.根据权利要求1所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述步骤s3包括如下步骤：
10.一种联合时空信息的智能驾驶多步长时行为决策装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-9中任一项所述的联合时空信息的智能驾驶多步长时行为决策方法。