基于车辆性能参数的事故预测方法和系统

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种基于车辆性能参数的事故预测方法、系统、计算机设备及计算机可读存储介质。

背景技术

随着汽车使用数量的逐年增加，车辆交通事故的绝对数量和发生概率都在逐年增加。在这些交通事故中有很多是因为车辆本身的原因导致的交通事故。目前常用的事故预测的方法是在车辆行驶过程中，根据车辆的状态、环境的信息等因素来预测车祸发生的概率。但是现有的预测事故方法都是基于环境等外在因素，而忽略了不同品牌、型号、年限、使用时间及车辆当前状态等内在因素对事故发生概率的影响。然而经常是这种内在因素和主观因素，才会更大程度影响事故发生。因此，如何更加全面分析车辆的自身因素以提高交通事故预测的准确性，从而进一步的降低交通事故的发生概率，成为了当前亟需解决的技术问题之一。

发明内容

有鉴于此，有必要提供一种基于车辆性能参数的事故预测方法、系统、计算机设备及计算机可读存储介质，以解决当前交通事故的预测容易车辆自身因素，影响事故预测的准确性的技术问题。

为实现上述目的，本发明实施例提供了一种基于车辆性能参数的事故预测方法，所述方法步骤包括：

监听待测车辆运行时的多个车辆性能参数；

根据多个所述车辆性能参数建立待测车辆模型；

根据所述待测车辆模型生成待测参数向量；及

将所述待测参数向量输入到训练好的车辆安全预测模型中，以通过所述车辆安全预测模型输出所述待测车辆的事故发生概率。

示例性的，所述根据多个所述车辆性能参数建立待测车辆模型的步骤，包括；

获取预先构建的车辆参数模型框架；其中，所述车辆参数模型框架包括多个参数容器，各个参数容器用于存放对应的车辆性能参数；及

将多个所述车辆性能参数输入到所述车辆参数模型框架中，生成所述待测车辆模型。

示例性的，在所述根据多个所述车辆性能参数建立待测车辆模型的步骤之后，所述方法还包括：

监听多个所述车辆性能参数的变化情况；及

当监测多个所述车辆性能参数中的任意一个车辆性能参数发生变化时，则根据变化后的车辆性能参数更新所述待测车辆模型。

示例性的，每个参数容器分别预先配置有对应的预设阈值；

在所述根据多个所述车辆性能参数建立待测车辆模型的步骤之后，所述方法还包括：

判断所述多个参数容器中的每个参数容器中的车辆性能参数是否大于对应的预设阈值；及

当所述多个参数容器中的任意一个参数容器中的车辆性能参数大于该参数容器所对应的预设阈值，则生成与该参数容器对应的警报信息，并将所述警报信息发送到所述待测车辆。

示例性的，在所述将所述待测参数向量输入到训练好的车辆安全预测模型中，以通过所述车辆安全预测模型输出所述待测车辆的事故发生概率的步骤之后，所述方法还包括：

根据所述待测车辆的事故发生概率调整所述待测车辆的车辆性能参数。

示例性的，所述根据所述待测车辆的事故发生概率调整所述待测车辆的车辆性能参数的步骤，包括：

预先配置第一阈值和第二阈值，所述第一阈值小于所述第二阈值；

如果所述事故发生概率大于所述一阈值且小于所述第二阈值，则根据所述待测车辆模型为所述待测车辆匹配对应的事故车辆模型，并生成低危提醒信息发送到所述待测车辆，以通过所述低危提醒信息提醒所述待测车辆的驾驶员根据所述事故车辆模型调整所述待测车辆的车辆性能参数；及

如果所述事故发生概率大于所述第二阈值，则根据所述事故车辆模型直接调整所述待测车辆的车辆性能参数，并生成高危警报信息发送到所述待测车辆。

示例性的，在所述将所述待测参数向量输入到训练好的车辆安全预测模型中，以通过所述车辆安全预测模型输出所述待测车辆的事故发生概率的步骤之后，所述方法还包括：

将所述事故发生概率上传到区块链中。

为实现上述目的，本发明实施例还提供了一种基于车辆性能参数的事故预测系统，包括：

监听模块，用于监听待测车辆运行时的多个车辆性能参数；

建立模块，用于根据多个所述车辆性能参数建立待测车辆模型；

生成模块，用于根据所述待测车辆模型生成待测参数向量；及

预测模块，用于将所述待测参数向量输入到训练好的车辆安全预测模型中，以通过所述车辆安全预测模型输出所述待测车辆的事故发生概率。

为实现上述目的，本发明实施例还提供了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如上述的基于车辆性能参数的事故预测方法的步骤。

为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上述的基于车辆性能参数的事故预测方法的步骤。

本发明实施例提供的基于车辆性能参数的事故预测方法、系统、计算机设备及计算机可读存储介质，本实施例通过监听待测车辆运行时的多个车辆性能参数，并根据待测车辆的多个车辆性能参数建立待测车辆模型；通过所述待测车辆模型实时更新运行状态，并通过车辆安全预测将所述待测车辆模型更新后的车辆性能参数进行预测，提高了对待测车辆在运行时的事故发生概率的预测准确性，降低了交通事故发生的概率。

附图说明

图1为本发明实施例基于车辆性能参数的事故预测方法的流程示意图。

图2为本发明实施例一中步骤S102的细节流程图。

图3为本发明实施例一中步骤S102之后的另一细节流程图。

图4为本发明实施例一中步骤S102之后的另一细节流程图。

图5为本发明实施例一中步骤S106之后的另一细节流程图。

图6为本发明基于车辆性能参数的事故预测系统实施例二的程序模块示意图。

图7为本发明计算机设备实施例三的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

以下实施例中，将以计算机设备2为执行主体进行示例性描述。

实施例一

参阅图1，示出了本发明实施例之基于车辆性能参数的事故预测方法的步骤流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。

步骤S100，监听待测车辆运行时的多个车辆性能参数。

在示例性的实施例中，车辆性能参数可以包括基本参数和运行参数，所述基本参数可以包括所述待测车辆的最大功率、最大扭矩、最大爬坡度、最高车速、0-100km/h的最大加速度、100-0km/h的最短制动距离、轮胎尺寸等；所述运行参数为所述待测车辆当前运行时对应的参数，例如，所述待测车辆在运行时的当前功率，当前扭矩、当前车速、当前车速对应的最短制动距离等。

计算机设备2可以预先获取待测车辆的所述基本参数，并以一定的时间频率更新所述基本参数。可以理解，随着所述待测车辆的使用时长，车轮的磨损会增大，而车轮的磨损程度会影响所述待测车辆的制动距离，所以所述待测车辆的所述基本参数可以以一定的时间频率更新。

计算机设备2可以监听所述待测车辆运行时的所述运行参数，读取和存储与待测车辆的动力和制动相关的系统(如，发动机控制系统、变速器控制系统、车辆线控转向系统、制动器控制系统、仪表盘控制系统、速度感应系统等等)的运行参数。例如，所述当前车速可以通过速度感应系统、变速器控制系统中的至少一种，来获取所述行驶速度；所述当前车速对应的最短制动距离可以通过刹车系统或行驶速度得到。

在车辆行驶过程中，根据车辆的状态、环境的信息等因素来预测车祸发生的概率，是常用的事故预测的方法。但是现有的预测事故方法都是基于环境等外在因素，而忽略了不同品牌、型号、年限、使用时间及车辆当前状态等内在因素对事故发生概率的影响。然而经常是这种内在因素和主观因素，才会更大程度影响事故发生。

步骤S102，根据多个所述车辆性能参数建立待测车辆模型。

如图2所示，所述步骤S102还可以包括步骤S200～S202，其中：步骤S200，获取预先构建的车辆参数模型框架；及步骤S202，将多个所述车辆性能参数输入到所述车辆参数模型框架中，生成所述待测车辆模型。

计算机设备2可以将多个所述车辆性能参数输入到构建好的车辆参数模型框架中，以得到所述待测车辆对应的待测车辆模型。所述参数模型用于根据输入的性能参数确定当前车辆的运行状态。所述待测车辆模型用于确定所述待测车辆的运行状态。例如，所述待测车辆模型可以根据所述待测车辆的最大功率和当前功率计算所述待测车辆功率的当前车辆的车辆功率处于哪种状态(如，正常状态、超额状态等)。

其中，所述待测车辆模型可以是所述待测车辆的车辆性能参数集合。所述待测车辆模型可以进行可视化处理，计算机设备2可以将经过可视化处理后的待测车辆模型发送到显示模块，以使所述待测车辆的驾驶员可以在车辆行驶时，观看所述待测车辆的运行状态。

计算机设备2还可以根据待测车辆模型从预先建立好了车辆模型的多个事故车辆模型中选择一个或多个与所述待测车辆的运行状态较为接近的所述多个目标车辆模型，并根据所述多个目标车辆模型对应的事故发生概率和性能参数，调整所述待测车辆模型的车辆性能参数。以所述待测车辆的车辆性能参数的数量等于N为例，当所述待测车辆的(N-1)个车辆性能参数与事故车辆的(N-1)个车辆性能参数的差异值超过预设值时，那么可以确定该事故车辆的运行状态与所述待测车辆运行状态较为接近。

不难理解，相同路段环境下的的不同运行状态的车辆的事故发生概率不同。例如，以车轮的磨损率为例，在其他车辆性能参数相同的情况下车轮的磨损率越高刹车距离越长，那么在相同的路段环境下，车轮的磨损率高的事故发生概率大。可以根据所述多个目标车辆模型对应的多个路段环境，判断所述待测车辆在每个路段环境对应的事故发生概率。例如，可以根据所述目标车辆模型在该路段环境下发生的事故发生概率，来判断所述待测车辆在该路段环境下发生的事故发生概率。即所述待测车辆与目标车辆的相识度越高，那么所述待测车辆在该路段环境下发生的事故发生概率与目标车辆模型在该路段环境下发生的事故发生概率越接近。需要说明的是，通过这种方式的得到的事故发生概率可以取整值。

如图3所示，在所述步骤S102之后，所述基于车辆性能参数的事故预测方法还可以包括步骤S300～S302，其中：步骤S300，监听多个所述车辆性能参数的变化情况；及步骤S302，当监测多个所述车辆性能参数中的任意一个车辆性能参数发生变化时，则根据变化后的车辆性能参数更新所述待测车辆模型。

可以理解，在所述待测车辆行驶过程中，所述待测车辆不会一直保持一个运行状态。为了及时更新所述待测车辆的运行状态，所述计算机设备2可以对多个所述车辆性能参数的变化情况进行监听，以确保所述待测车辆模型中的车辆性能参数为所述待测车辆的当前运行状态的参数。

示例性的，所述车辆参数模型框架包括多个参数容器，各个参数容器用于存放车辆性能参数，其中，每个参数容器分别预先配置有对应的预设阈值；如图4所示，在所述步骤S102之后，所述基于车辆性能参数的事故预测方法还可以包括步骤S400～S402，其中：步骤S400，判断所述多个参数容器中的每个参数容器中的车辆性能参数是否大于对应的预设阈值；步骤S402，当所述多个参数容器中的任意一个参数容器中的车辆性能参数大于该参数容器所对应的预设阈值，则生成与该参数容器对应的警报信息，并将所述警报信息发送到所述待测车辆。

所述参数容器可以用于为该参数容器对应的车辆性能参数，配置对应的预设阈值。为了进一步降低待测车辆在运行时的事故发生概率，所述计算机设备2还可以为每个参数容器配置一个预设阈值，以避免所述待测车辆在运行时因某个参数过高而增加事故发生概率。可以理解，车辆在运行的过程中，如果某个参数值过大，那么该车辆的事故发生概率越高，如，车速、轮胎磨损率、最大制动距离等。因此，为了提高所述车辆在运行的过程中的安全性，所述计算机设备2可以监听每个参数容器中的车辆性能参数，如果所述车辆性能参数大于该参数容器所对应的预设阈值，则生成警报信息发送到所述待测车辆，以提醒驾驶员调整对应的车辆性能参数。

步骤S104，根据所述待测车辆模型生成待测参数向量。

在示例性的实施例中，根据所述待测车辆模型中各个车辆性能参数顺序提取所述待测车辆模型的参数向量，以得到所述待测参数向量，其中，所述参数向量中的每一个位置上元素即对应其中一个车辆性能参数。

步骤S106，将所述待测参数向量输入到训练好的车辆安全预测模型中，以通过所述车辆安全预测模型输出所述待测车辆的事故发生概率。

在示例性的实施例中，所述车辆安全预测模型为预先训练好的卷积神经网络模型，可以用于根据输入的参数向量，输出该参数向量所对应的车辆模型的事故发生概率。本方案通过提取待测车辆所对应的待测参数向量，并通过所述车辆安全预测模型预测所述待测车辆的事故发生概率，以确定所述待测车辆的安全性。如果所述待测车辆的事故发生概率较高，即所述待测车辆的安全性较低时，可以通过调整所述车辆性能参数发式提高所述待测车辆的安全性。

在示例性的实施例中，所述车辆安全预测模型的训练步骤包括：

步骤1，获取预先建立好车辆模型的多个样本车辆所对应的多个样本车辆模型。

根据所述待测车辆模型从预先建立的多个事故车辆的多个事故车辆模型中，选择多个样本车辆模型；其中，可以预先获取多个事故车辆的车辆性能参数，并根据每个事故车辆的车辆性能参数为每个事故车辆建立一个对应的事故车辆模型，以得到多个事故车辆模型。所述多个事故车辆的车辆性能参数可以是根据车辆发生事故后的保险数据或者车管所提供的车祸数据得到。

步骤2，获取每个样本车辆模型的事故发生概率，并提取每个样本车辆模型对应的样本参数向量。

步骤3，通过所述多个样本车辆模型对应的事故发生概率和样本参数向量，训练所述深度神经网络模型，以得到用于预测道路安全的车辆安全预测模型。

示例性的，在所述步骤S106之后，所述基于车辆性能参数的事故预测方法还可以包括：步骤S108，根据所述待测车辆的事故发生概率调整所述待测车辆的车辆性能参数。

如图5所示，所述步骤S108还可以包括步骤S500～S504，其中：步骤S500，预先配置第一阈值和第二阈值，所述第一阈值小于所述第二阈值；步骤S502，如果所述事故发生概率大于所述一阈值且小于所述第二阈值，则根据所述待测车辆模型为所述待测车辆匹配对应的事故车辆模型，并生成低危提醒信息发送到所述待测车辆，以通过所述低危提醒信息提醒所述待测车辆的驾驶员根据所述事故车辆模型调整所述待测车辆的车辆性能参数；步骤S504，如果所述事故发生概率大于所述第二阈值，则根据所述事故车辆模型直接调整所述待测车辆的车辆性能参数，并生成高危警报信息发送到所述待测车辆。

以所述第一阈值可以设定为20％、所述第一阈值50％为例：当所述事故发生概率小于所述一阈值，即所述事故发生概率低于20％，此时的所述待测车辆的事故发生概率较低，车辆可以正常行驶。当所述事故发生概率大于所述一阈值且小于所述第二阈值，即所述事故发生概率在20％到50％之间时，此时的所述待测车辆的事故发生概率一般；为了降低所述待测车辆的事故发生概率，所述计算机设备2可以根据所述待测车辆模型为所述待测车辆匹配对应的事故车辆模型，并生成低危提醒信息发送到所述待测车辆，以通过所述低危提醒信息提醒所述待测车辆的驾驶员根据所述事故车辆模型调整所述待测车辆的车辆性能参数。当所述事故发生概率大于所述第二阈值，即所述事故发生概率高于50％时，此时的所述待测车辆的事故发生概率较高；为了降低所述待测车辆的事故发生概率，提高所述待测车辆的安全性，所述计算机设备2可以根据所述事故车辆模型直接调整所述待测车辆的车辆性能参数，并生成高危警报信息发送到所述待测车辆，以提醒所述驾驶员此时的所述待测车辆在高危行驶，并已通过所述计算机设备2调整了所述待测车辆的车辆性能参数，提高了待测车辆的安全性。

示例性的，所述基于车辆性能参数的事故预测方法还包括：将所述事故发生概率上传到区块链中。将所述事故发生概率上传至区块链可保证其安全性和公正透明性。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

实施例二

图6为本发明基于车辆性能参数的事故预测系统实施例二的程序模块示意图。基于车辆性能参数的事故预测系统20可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述基于车辆性能参数的事故预测方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段。以下描述将具体介绍本实施例各程序模块的功能：

监听模块200，用于监听待测车辆运行时的多个车辆性能参数。

建立模块202，用于根据多个所述车辆性能参数建立待测车辆模型。

示例性的，所述建立模块202，还用于：获取预先构建的车辆参数模型框架；其中，所述车辆参数模型框架包括多个参数容器，各个参数容器用于存放对应的车辆性能参数；及将多个所述车辆性能参数输入到所述车辆参数模型框架中，生成所述待测车辆模型。

示例性的，所述建立模块202，还用于：监听多个所述车辆性能参数的变化情况；及当监测多个所述车辆性能参数中的任意一个车辆性能参数发生变化时，则根据变化后的车辆性能参数更新所述待测车辆模型。

示例性的，每个参数容器分别预先配置有对应的预设阈值；所述建立模块202，还用于：判断所述多个参数容器中的每个参数容器中的车辆性能参数是否大于对应的预设阈值；及当所述多个参数容器中的任意一个参数容器中的车辆性能参数大于该参数容器所对应的预设阈值，则生成与该参数容器对应的警报信息，并将所述警报信息发送到所述待测车辆。

生成模块204，用于根据所述待测车辆模型生成待测参数向量。

预测模块206，用于将所述待测参数向量输入到训练好的车辆安全预测模型中，以通过所述车辆安全预测模型输出所述待测车辆的事故发生概率。

示例性的，所述基于车辆性能参数的事故预测系统20还包括，调整模块，所述调整模块，用于根据所述待测车辆的事故发生概率调整所述待测车辆的车辆性能参数。

示例性的，所述调整模块(未图示)，还用于：预先配置第一阈值和第二阈值，所述第一阈值小于所述第二阈值；如果所述事故发生概率大于所述一阈值且小于所述第二阈值，则根据所述待测车辆模型为所述待测车辆匹配对应的事故车辆模型，并生成低危提醒信息发送到所述待测车辆，以通过所述低危提醒信息提醒所述待测车辆的驾驶员根据所述事故车辆模型调整所述待测车辆的车辆性能参数；及如果所述事故发生概率大于所述第二阈值，则根据所述事故车辆模型直接调整所述待测车辆的车辆性能参数，并生成高危警报信息发送到所述待测车辆。

示例性的，所述基于车辆性能参数的事故预测系统20还包括，上传模块(未图示)，所述上传模块，用于将所述事故发生概率上传到区块链中。

实施例三

参阅图7，是本发明实施例三之计算机设备的硬件架构示意图。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图所示，所述计算机设备2至少包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及基于车辆性能参数的事故预测系统20。

本实施例中，存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如实施例二的基于车辆性能参数的事故预测系统20的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行基于车辆性能参数的事故预测系统20，以实现实施例一的基于车辆性能参数的事故预测方法。

所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communicatI/On，GSM)、宽带码分多址(WidebandCode DivisI/On Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。

需要指出的是，图7仅示出了具有部件20-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。

在本实施例中，存储于存储器21中的基于车辆性能参数的事故预测系统20还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。

例如，图6示出了本发明实施例二之所述实现基于车辆性能参数的事故预测系统20的程序模块示意图，该实施例中，所述基于车辆性能参数的事故预测系统20可以被划分为监听模块200、建立模块202、生成模块204和预测模块206。其中，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述基于车辆性能参数的事故预测系统20在所述计算机设备2中的执行过程。所述程序模块200-206的具体功能在实施例二中已有详细描述，在此不再赘述。

实施例四

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于基于车辆性能参数的事故预测系统20，被处理器执行时实现实施例一的基于车辆性能参数的事故预测方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。