1.一种应用于非联网汽车的驾驶意图识别共享方法，其特征在于，包括：通过RSU设备采集非联网汽车的行驶数据，并将行驶数据通过5G通信网络实时传输到MEC节点；MEC节点对输入数据进行预处理，采用双向LSTM网络与极限梯度提升算法得到非联网汽车的驾驶意图；将非联网汽车的驾驶意图通过5G网络广播给智能联网汽车OBU；智能联网汽车根据接收的非联网汽车驾驶意图做出对应的驾驶决策；

MEC节点对输入数据进行驾驶意图识别包括：采用Bi‑LSTM网络意图识别模型进行时间序列数据处理，得到驾驶意图识别结果；其中Bi‑LSTM网络意图识别模型由两个独立的LSTM网络结构和优化后的XGBoost模型组成；采用训练后的Bi‑LSTM网络意图识别模型对预处理后的数据进行特征提取，得到数据特征；采用优化后的XGBoost模型对数据特征进行驾驶意图识别，得到识别结果；

采用优化后的XGBoost算法对数据特征进行驾驶意图识别包括：优化后的XGBoost算法由多个弱分类器进行组合，其中弱分类器为决策树，将所有弱分类器的预测结果进行加权求和，形成一个强分类器；具体过程包括设置驾驶意图识别模型的目标函数，该目标函数包括损失函数和正则化部分；对驾驶意图识别模型进行迭代训练，每次迭代训练过程中通过添加一个新的弱预测器 更新当前模型 计算当前模型中决策树的每个叶子节点j的最优分数 根据最优分数对所有的弱分类器分配权重，根据分配的权重将所有的预测结果进行加权融合，得到用户的驾驶意图识别结果；

最优分数 的表达式为：

其中，Ij为叶子节点j上样本的索引集，γ和λ均为正则化参数， 为损失函数在处的一阶导数，w为权重，用于调整每个样本残差的影响； 为损失函数在 的二阶导数。

2.根据权利要求1所述的一种应用于非联网汽车的驾驶意图识别共享方法，其特征在于，非联网汽车的行驶数据包括目标车辆行驶特征和道路环境特征；目标车辆信息包含方向盘转角、方向盘转向力矩、方向盘转速、速度、加速度、横纵向相对位移以及位置坐标；周围环境信息包含当前和相邻车道上协同车辆的速度以及当前和相邻车道上协同车辆与目标车辆的距离。

3.根据权利要求1所述的一种应用于非联网汽车的驾驶意图识别共享方法，其特征在于，对Bi‑LSTM网络进行训练包括：步骤1、获取车辆用户历史行驶数据；

步骤2、将车辆用户历史行驶数据分别输入到正向LSTM网络和反向LSTM网络中进行隐藏特征提取；

步骤3、将正向LSTM和反向LSTM提取的特征向量进行融合，得到全面序列信息；

步骤4、将全面序列信息输入到隐藏层中进行深层次特征提取；

步骤5、根据深层次特征图计算模型的损失函数；

步骤6、采用Adam优化算法对模型中的参数进行优化，当损失函数收敛时完成模型的训练。

4.根据权利要求3所述的一种应用于非联网汽车的驾驶意图识别共享方法，其特征在于，将正向LSTM和反向LSTM提取的特征向量进行融合包括：其中， 为正向LSTM网络输出的隐藏特征， 为反向LSTM网络输出的隐藏特征，α为一个权重参数。

5.根据权利要求3所述的一种应用于非联网汽车的驾驶意图识别共享方法，其特征在于，采用Adam优化算法对模型中的参数进行优化包括：步骤1、初始化模型参数θ0，一阶矩m0和二阶矩v0；设置学习率η，一阶矩衰减率β1，二阶矩衰减率β2，损失函数J(θt)以及数值稳定性参数∈；

步骤2、根据损失函数计算模型当前时刻的梯度

步骤3、根据模型梯度对一阶矩和二阶矩进行更新；

步骤4、计算更新后的一阶矩和二阶矩的无偏估计；

步骤5、根据无偏估计对模型参数进行更新；

步骤6、重复步骤1～步骤5，直到模型性能不再提升。

6.根据权利要求1所述的一种应用于非联网汽车的驾驶意图识别共享方法，其特征在于，目标函数表达式为：其中，Ω为目标函数，f为数函数，N为训练样本的数量，l为损失函数，yi为第i个样本的实际驾驶意图， 为模型预测的驾驶意图，Ωreg(f)是正则化项。

7.一种应用于非联网汽车的驾驶意图识别共享系统，该系统用于执行权利要求1～6任意一项所述一种应用于非联网汽车的驾驶意图识别共享方法，其特征在于，包括：实时行驶数据采集单元、智能驾驶意图分析模块、车联网意图共享服务模块以及协同驾驶行为执行单元；

所述实时行驶数据采集单元由路侧RSU构成，通过RSU采集非联网汽车的行驶数据；

所述智能驾驶意图分析模块根据采集到的行驶数据利用MEC节点上的Bi‑LSTM算法模型识别非联网汽车的驾驶意图；

所述车联网意图共享服务模块通过5G MEC节点将识别的驾驶意图广播给相关车道范围内智能网联车辆；

所述协同驾驶行为执行单元根据接收到的非联网汽车驾驶意图信息，智能网联车辆利用MEC节点的决策支持系统进行决策，并执行相应的驾驶行为。