1.一种基于雾计算的区域交通情景感知方法，在车辆上配备定位系统和支持5G通信功能的车载通信设备，其特征在于包括如下步骤：步骤1)通过5G边缘节点eNBs的计算能力建立雾计算层，构建区域群集通信模型，在eNBs为雾节点的通信区域内，车辆通过车载通信设备周期性地向雾节点上传交通状态消息；

步骤2)区域交通情景关联参数子集计算:通过所述区域群集通信模型雾节点收到区域交通状态消息后，通过柯西方程选择描述同一交通情景的相关交通状态消息；

步骤3)区域交通态势参数子集计算:通过模糊隶属函数对同一交通情景的交通状态消息中不同状态参数的基本概率进行赋值，通过Dempster-Shafter证据理论融合方法融合同一交通情景的状态参数得到区域交通状态参数及其基本概率赋值；

步骤4)区域交通情景推理:所述雾节点采用Dempster-Shafter证据理论融合方法的融合规则计算区域交通态势，估计区域交通情景，为车辆选择最优运动状态提供参考。

2.根据权利要求1的基于雾计算的区域交通情景感知方法，其特征在于设定描述交通情景的交通状态参数集为θ＝{V,NL,θd,θt,θp}，其中，V为车辆行驶速度，NL为车辆邻居节点数，θd为车辆行驶方向，θt为交通状态消息生成时间，θp＝{Lx,Ly}为车辆位置参数，Lx,Ly分别表示车载定位系统测定的经度值和纬度值。

3.根据权利要求1的基于雾计算的区域交通情景感知方法，其特征在于所述步骤2)中设定基于接收的交通状态消息中情景关联参数子集θc＝{θd,θt,θp}，设定雾节点收到K辆车上传交通状态消息的情景关联参数子集为 所有描述同一交通情景的区域交通状态参数如表1。

表1

4.根据权利要求1的基于雾计算的区域交通情景感知方法，其特征在于所述步骤2)中当k个交通状态消息的情景关联参数子集满足式(1)所示的柯西方程条件时，判定对应的交通状态消息为同一交通情景消息，其中， 和 为车辆i和车辆j的情景关联参数子集，j≠i,i,j＝1,2,…,K，

ε为容差。

5.根据权利要求1的基于雾计算的区域交通情景感知方法，其特征在于所述步骤3)中雾节点通过模糊隶属函数对同一交通情景消息的交通态势参数子集θs＝θ-θc＝{V,NL}进行模糊隶属度计算，实现态势参数的基本概率赋值，具体为：设定车辆行驶速度参数V＝{VL,VM,VH}，VL,VM,VH分别表示低速、中速和高速三种速度状态，则通过模糊隶属函数得到对应的基本概率赋值mV；设定车辆邻居节点数参数NL＝{NS,NM,ND}，NS,NM,ND分别表示稀疏、正常和密集三种邻居节点状态，则通过模糊隶属函数得到对应的基本概率赋值mNL。

6.根据权利要求5的基于雾计算的区域交通情景感知方法，其特征在于设定同一交通情景中车辆行使速度上限为VU，车辆行驶速度下限为VLB，根据式(2)、式(3)以及式(4)得到对应的基本概率赋值mV，其中，平均行驶速度为VA，

7.根据权利要求5的基于雾计算的区域交通情景感知方法，其特征在于设定同一交通情景中正常通行时平均邻居节点数为NN，平均邻居节点数上限为NU＝2NN，平均邻居节点数下限为 根据式(5)、式(6)以及式(7)得到对应的基本概率赋值mNL，

8.根据权利要求5的基于雾计算的区域交通情景感知方法，其特征在于雾节点基于每辆车的行驶速度参数及其基本概率赋值mV和车辆邻居节点参数及其基本概率赋值mNL通过Dempster-Shafter证据理论融合方法根据式(8)计算同一交通情景的区域交通态势参数集{V',NL'}，V'表示区域交通行驶速度参数，NL'表示区域交通邻居节点参数，其中，Va和Vb为车辆a和车辆b的速度参数，NLa以及NLb为车辆a和车辆b的邻居节点数参数，a≠b；a,b＝1,2,…,k，为Dempster-Shafter证据理论融合方法的直和运算。

9.根据权利要求1的基于雾计算的区域交通情景感知方法，其特征在于所述步骤3)中，设定区域交通态势集为Θ＝{ΘS,ΘN,ΘJ}，ΘS,ΘN,ΘJ分别表示区域内稀疏、正常和拥堵三种交通态势，设定区域交通行驶速度参数V'＝{V′L,V'M,V'H}，V′L,V'M,V'H分别对应于区域交通态势集的拥堵、正常和稀疏三种交通态势；设定区域交通邻居节点参数NL'＝{N'S,N'M,N'D}分别对应于区域交通态势集的稀疏、正常和拥堵三种交通态势，雾节点通过Dempster-Shafter证据理论融合方法推理根据式(9)估计区域交通态势，得区域交通态势及对应的置信度；

雾节点选取最大置信度的交通态势作为感知的实时区域交通情景，并在其通信区域内进行广播。