CN113658426B - 一种车辆事故识别方法及装置 - Google Patents

Abstract

本发明公开一种车辆事故识别方法及装置，涉及车联网技术领域，解决了由于道路上未安装监控摄像头导致无法准确地识别该道路上车辆的事故行为的问题。具体方案为：车辆事故识别装置获取第一时间段内的所有初始时间点，以及目标车辆在每个初始时间点的车辆数据；根据每个初始时间点的车辆数据，在所有初始时间点中确定至少一个候选事故时间点；根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，事故概率为目标车辆发生事故的概率；将至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点。

Description

一种车辆事故识别方法及装置

技术领域

本发明涉及车联网技术领域，尤其涉及一种车辆事故识别方法及装置。

背景技术

目前，通常是根据道路上安装的监控摄像头拍摄的视频来进行该道路上的车辆事故识别的。但是，有些道路并未安装监控摄像头，导致无法准确地识别这些道路上车辆的事故行为。

发明内容

本发明提供一种车辆事故识别方法及装置，解决了由于道路上未安装监控摄像头导致无法准确地识别该道路上车辆的事故行为的问题。

为达到上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种车辆事故识别方法，该方法包括：车辆事故识别装置获取第一时间段内的所有初始时间点，以及目标车辆在每个初始时间点的车辆数据；根据每个初始时间点的车辆数据，在所有初始时间点中确定至少一个候选事故时间点；根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，事故概率为目标车辆发生事故的概率；将至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点。

结合第一方面，在一种可能的实现方式中，车辆数据包括目标车辆在初始时间点的瞬时速度，根据每个初始时间点的车辆数据，在所有初始时间点中确定至少一个候选事故时间点，包括：当初始时间点的瞬时速度大于预设阈值，初始时间点之后的第二时间段内的最大瞬时速度小于预设阈值，且第二时间段的最后时刻的瞬时速度为零时，确定初始时间点为候选事故时间点。

结合第一方面和上述可能的实现方式，在另一种可能的实现方式中，根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，包括：基于第三时间段的每个时间点的车辆数据进行特征提取，得到目标统计特征，第三时间段以候选事故时间点为中心时间点，第三时间段包括候选事故时间点之前的预设时间段和之后的预设时间段；采用分类模型对目标统计特征进行处理，得到候选事故时间点对应的事故概率。

结合第一方面和上述可能的实现方式，在另一种可能的实现方式中，基于第三时间段的每个时间点的车辆数据进行特征提取，得到目标统计特征，包括：基于第三时间段的每个时间点的车辆数据进行特征提取，得到初始统计特征；将初始统计特征中的有效特征确定为目标统计特征。

结合第一方面和上述可能的实现方式，在另一种可能的实现方式中，车辆数据包括：目标车辆在初始时间点的瞬时速度、发动机转速、油门开度、是否刹车。

第二方面，本发明提供一种车辆事故识别装置，车辆事故识别装置包括：获取单元和确定单元。获取单元，用于获取第一时间段内的所有初始时间点，以及目标车辆在每个初始时间点的车辆数据。确定单元，用于根据获取单元获取的每个初始时间点的车辆数据，在所有初始时间点中确定至少一个候选事故时间点；根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，事故概率为目标车辆发生事故的概率；将至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点。

结合第二方面，在一种可能的实现方式中，车辆数据包括目标车辆在初始时间点的瞬时速度，确定单元，具体用于：当初始时间点的瞬时速度大于预设阈值，初始时间点之后的第二时间段内的最大瞬时速度小于预设阈值，且第二时间段的最后时刻的瞬时速度为零时，确定初始时间点为候选事故时间点。

结合第二方面和上述可能的实现方式，在另一种可能的实现方式中，确定单元，具体用于：基于第三时间段的每个时间点的车辆数据进行特征提取，得到目标统计特征，第三时间段以候选事故时间点为中心时间点，第三时间段包括候选事故时间点之前的预设时间段和之后的预设时间段；采用分类模型对目标统计特征进行处理，得到候选事故时间点对应的事故概率。

结合第二方面和上述可能的实现方式，在另一种可能的实现方式中，确定单元，具体用于：基于第三时间段的每个时间点的车辆数据进行特征提取，得到初始统计特征；将初始统计特征中的有效特征确定为目标统计特征。

结合第二方面和上述可能的实现方式，在另一种可能的实现方式中，车辆数据包括：目标车辆在初始时间点的瞬时速度、发动机转速、油门开度、是否刹车。

第三方面，本发明提供一种车辆事故识别装置，该车辆事故识别装置包括：处理器和存储器。存储器用于存储计算机程序代码，计算机程序代码包括计算机指令。当处理器执行计算机指令时，车辆事故识别装置执行如第一方面及其任一种可能的实现方式的车辆事故识别方法。

第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机指令，当计算机指令在车辆事故识别装置上运行时，使得车辆事故识别装置执行如第一方面或第一方面的可能的实现方式中任意一项的车辆事故识别方法。

本发明实施例提供的车辆事故识别方法，电子设备在获取到第一时间段内的所有初始时间点，以及目标车辆在每个初始时间点的车辆数据后，根据每个初始时间点的车辆数据，在所有初始时间点中确定至少一个候选事故时间点，并根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，且将至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点。

这样，通过利用分类模型和目标车辆在时间点的车辆数据确定出目标事故时间点，即确定出目标车辆发生事故的时间点，实现了车辆事故的识别，使得车辆事故的识别不再仅依赖于道路上监控摄像头拍摄的视频。

附图说明

图1为本发明实施例提供的一种车联网系统的结构示意图；

图2为本发明实施例提供的一种车辆事故识别装置的结构示意图；

图3为本发明实施例提供的一种车辆事故识别方法的流程图；

图4为本发明实施例提供的一种车辆事故识别装置的组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示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一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

另外，“基于”或“根据”的使用意味着开放和包容性，因为“基于”或“根据”一个或多个所述条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出所述的值。

为了解决由于道路上未安装监控摄像头导致无法准确地识别该道路上车辆的事故行为的问题，本发明实施例提供了一种车辆事故识别方法，电子设备在获取到第一时间段内的所有初始时间点，以及目标车辆在每个初始时间点的车辆数据后，根据每个初始时间点的车辆数据，在所有初始时间点中确定至少一个候选事故时间点，并根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，且将至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点。

这样，通过利用分类模型和目标车辆在时间点的车辆数据确定出目标事故时间点，即确定出目标车辆发生事故的时间点，实现了车辆事故的识别，使得车辆事故的识别不再仅依赖于道路上监控摄像头拍摄的视频。

本发明实施例提供的车辆事故识别方法可以适用于车联网系统。图1示出了该车联网系统的一种结构。如图1所示，该车联网系统可以包括：汽车11和后台设备12。其中，后台设备12可以包括车辆数据库、电子设备等。汽车11和后台设备12采用无线通信方式建立连接。

汽车11安装有车载终端，车载终端用于向车辆数据库上报汽车11的车辆数据，该车辆数据包括汽车11行驶时在每个时间点的瞬时速度、发动机转速、油门开度、是否刹车等数据。

车辆数据库，用于存储车辆在每个时间点的车辆数据。

电子设备，用于在需要识别目标车辆在第一时间段内的事故时，获取第一时间段内的所有初始时间点，并从车辆数据库中获取目标车辆在每个初始时间点的车辆数据，根据每个初始时间点的车辆数据，在所有初始时间点中确定至少一个候选事故时间点，根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，将至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点。

在一些实施例中，电子设备可以是计算机、服务器、云计算服务平台等。

图2为本发明实施例提供的一种车辆事故识别装置的组成示意图。如图2所示，该车辆事故识别装置可以包括：至少一个处理器21、存储器22、通信接口23和通信总线24。

其中，处理器21是车辆事故识别装置的控制中心，其可以是一个中央处理器(central processing unit，CPU)，微处理单元，或一个或多个用于控制本发明实施例程序执行的集成电路。

作为一种实施例，处理器21可以包括一个或多个CPU，例如图2中所示的CPU0和CPU1。且，作为一种实施例，车辆事故识别装置可以包括多个处理器，例如图2中所示的处理器21和处理器25。这些处理器中的每一个可以是一个单核处理器(Single-CPU)，也可以是一个多核处理器(Multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

存储器22可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器22可以是独立存在，通过通信总线24与处理器21相连接。存储器22也可以和处理器21集成在一起。

在具体的实现中，存储器22，用于存储本发明中的数据和执行本发明的软件程序。处理器21可以通过运行或执行存储在存储器22内的软件程序，以及调用存储在存储器22内的数据，执行车辆事故识别装置的各种功能。

通信接口23，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如无线接入网(radio access network，RAN)，无线局域网(wireless local area networks，WLAN)等。通信接口23可以包括接收单元实现接收功能，以及发送单元实现发送功能。

通信总线24可以包括一通路，在上述组件之间传送信息。

需要指出的是，图2中示出的结构并不构成对车辆事故识别装置的限定，除图2所示部件之外，该车辆事故识别装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明实施例提供的车辆事故识别方法的执行主体为车辆事故识别装置。该车辆事故识别装置可以是上述电子设备，也可以是上述电子设备中的CPU，还可以是上述电子设备中用于识别车辆事故的控制模块，还可以是上述电子设备中用于识别车辆事故的客户端。本发明实施例以电子设备执行车辆事故识别方法为例，对本发明提供的车辆事故识别方法进行说明。

基于上述车联网系统的结构和车辆事故识别装置的结构的介绍，本发明实施例提供一种车辆事故识别方法。如图3所示，车辆事故识别方法可以包括以下步骤301-步骤304。

301、电子设备获取第一时间段内的所有初始时间点，以及目标车辆在每个初始时间点的车辆数据。

当目标车辆在第一时间段内发生车辆事故，但发生车辆事故的时间点未知时，电子设备可以通过执行本发明实施例提供的车辆事故识别方法来准确识别目标车辆发生事故的时间点。具体的，电子设备可以先获取第一时间段内的所有初始时间点，并从车辆数据库中获取目标车辆在每个初始时间点的车辆数据。车辆数据可以包括目标车辆在初始时间点的瞬时速度、发动机转速、油门开度、是否刹车等数据。

可以理解的是，为了准确地确定事故发生的时间，上述时间点可以是分钟、秒等时间单位，本发明实施例在此不做限定。例如，当时间点为分钟时，电子设备获取目标车辆在第一时间段内每分钟的车辆数据。当时间点为秒时，电子设备获取目标车辆在第一时间段内每秒的车辆数据。

示例性的，假设目标车辆为车辆A，第一时间段为10点至11点，时间点为秒，那电子设备可以获取10点至11点之间的3600个初始时间点，并获取每个时间点的车辆数据。

需要说明的是，在本发明实施例中，由于目标车辆的车辆数据是通过安装在车辆上的传感器获取，并通过车联网上传至车辆数据库的。当传感器故障，或者网络故障时，上传的目标车辆的车辆数据的值可能会发生异常。因此电子设备在从车辆数据库中获取到每个时间点的车辆数据后，可以先采用异常检测算法识别所有车辆数据中的异常数据，并结合异常数据前后的正常数据进行数据矫正。这样，通过进行数据的异常处理，使用矫正后的数据进行事故识别，能够提高事故识别的准确性。

302、电子设备根据每个初始时间点的车辆数据，在所有初始时间点中确定至少一个候选事故时间点。

电子设备在获取到目标车辆在每个初始时间点的车辆数据之后，对于每个初始时间点，电子设备可以在确定该初始时间点的瞬时速度大于预设阈值，该初始时间点之后的第二时间段内的最大瞬时速度小于预设阈值，且第二时间段的最后时刻的瞬时速度为零时，确定该初始时间点为候选事故时间点。电子设备逐个对每个初始时间点进行判断，便可以得到所有初始时间点中满足上述条件的至少一个候选事故时间点。其中，第二时间段包含于第一时间段。

示例性的，结合步骤301的例子，假设一个初始时间点为10点至11点之间的第100秒，第二时间段为20秒，那么电子设备在确定车辆A在第100秒的瞬时速度大于预设阈值，在第101秒至第120秒内的最大瞬时速度小于预设阈值，且第120秒的瞬时速度为零时，确定第100秒为候选事故时间点。

303、电子设备根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率。

电子设备在确定出至少一个候选事故时间点之后，可以根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，该事故概率指的是目标车辆在候选事故时间点发生事故的概率。

在具体的实现中，电子设备可以基于第三时间段的每个时间点的车辆数据进行特征提取，得到目标统计特征，并采用分类模型对目标统计特征进行处理，得到候选事故时间点对应的事故概率。其中，第三时间段以候选事故时间点为中心时间点，且第三时间段包括候选事故时间点之前的预设时间段和之后的该预设时间段。

可选的，上述电子设备基于第三时间段的每个时间点的车辆数据进行特征提取，得到目标统计特征的过程为：电子设备先基于第三时间段的每个时间点的车辆数据进行特征提取，得到初始统计特征，然后将初始统计特征中的有效特征确定为目标统计特征。其中，有效特征指的是对上述分类模型的计算结果，即事故概率影响较大的特征。

可选的，上述电子设备基于第三时间段的每个时间点的车辆数据进行特征提取，得到初始统计特征的过程为：对于第三时间段内每个时间点的瞬时速度组成的速度序列，电子设备可以将速度序列按照预设规则进行分段，并分别对每个分段内的瞬时速度进行特征工程，得到每个分段对应的初始统计特征，还可以对整个速度序列的瞬时速度进行特征工程，得到整个序列对应的初始统计特征。同理，对于第三时间段内每个时间点的发动机转速、油门开度、刹车按照上述相同方式进行特征工程。最后，将所有得到的初始统计特征结合起来便是基于第三时间段的车辆数据得到的初始统计特征。初始统计特征可以是平均值、方差、中值等。

需要说明的是，在本发明实施例中，上述预设的分类模型是预先训练好并存储在电子设备中的。电子设备在训练该分类模型时，可以获取真实发生事故的车辆数据作为样本数据，并对样本数据进行特征提取和特征选择，采用选择的特征训练得到分类模型。且，随着时间的推移，样本数据增加，可以使用新增的样本数据重新训练分类模型，以提高分类模型的识别精度。

另外，上述统计特征除了可以是平均值、方差、中值等外，还可以是上述两者或两者以上的组合，本发明实施例在此不做限定。当然，随着时间的推移，统计特征具体包括哪些特征也可以进行更新。

304、电子设备将至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点。

电子设备在确定出至少一个候选事故时间点后，可以确定事故识别结果，该事故识别结果包括目标事故时间点和对应的事故概率。其中，目标事故时间点是最大的事故概率对应的候选事故时间点。

这样，通过利用分类模型和目标车辆在时间点的车辆数据确定出目标事故时间点，即确定出目标车辆发生事故的时间点，实现了车辆事故的识别，使得车辆事故的识别不再仅依赖于道路上监控摄像头拍摄的视频。

上述主要从车辆事故识别装置的角度对本发明实施例提供的方案进行了介绍。可以理解的是，车辆事故识别装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

图4示出了上述实施例中涉及的车辆事故识别装置的一种可能的组成示意图，如图4所示，该车辆事故识别装置可以包括：获取单元41和确定单元42。

获取单元41，用于获取第一时间段内的所有初始时间点，以及目标车辆在每个初始时间点的车辆数据。

确定单元42，用于根据获取单元41获取的每个初始时间点的车辆数据，在所有初始时间点中确定至少一个候选事故时间点；根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，事故概率为目标车辆发生事故的概率；将至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点。

可选的，车辆数据包括目标车辆在初始时间点的瞬时速度，确定单元42，具体用于：当初始时间点的瞬时速度大于预设阈值，初始时间点之后的第二时间段内的最大瞬时速度小于预设阈值，且第二时间段的最后时刻的瞬时速度为零时，确定初始时间点为候选事故时间点。

可选的，确定单元42，具体用于：基于第三时间段的每个时间点的车辆数据进行特征提取，得到目标统计特征，第三时间段以候选事故时间点为中心时间点，第三时间段包括候选事故时间点之前的预设时间段和之后的预设时间段；采用分类模型对目标统计特征进行处理，得到候选事故时间点对应的事故概率。

可选的，确定单元42，具体用于：基于第三时间段的每个时间点的车辆数据进行特征提取，得到初始统计特征；将初始统计特征中的有效特征确定为目标统计特征。

可选的，车辆数据包括：目标车辆在初始时间点的瞬时速度、发动机转速、油门开度、是否刹车。

本发明实施例提供的车辆事故识别装置，用于执行上述车辆事故识别方法，因此可以达到与上述车辆事故识别方法相同的效果。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种车辆事故识别方法，其特征在于，包括：

在确定目标车辆发生事故后，获取第一时间段内的所有初始时间点，以及所述目标车辆在每个初始时间点的车辆数据，所述车辆数据包括：所述目标车辆在所述初始时间点的瞬时速度、发动机转速、油门开度、是否刹车；

根据每个初始时间点的车辆数据，在所述所有初始时间点中确定至少一个候选事故时间点；

根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，所述事故概率为所述目标车辆发生事故的概率；

将所述至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点；

所述根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，包括：

基于第三时间段的每个时间点的车辆数据进行特征提取，得到目标统计特征，所述第三时间段以所述候选事故时间点为中心时间点，所述第三时间段包括所述候选事故时间点之前的预设时间段和之后的所述预设时间段；

采用所述分类模型对所述目标统计特征进行处理，得到所述候选事故时间点对应的事故概率。

2.根据权利要求1所述的车辆事故识别方法，其特征在于，所述车辆数据包括所述目标车辆在所述初始时间点的瞬时速度，所述根据每个初始时间点的车辆数据，在所述所有初始时间点中确定至少一个候选事故时间点，包括：

当所述初始时间点的瞬时速度大于预设阈值，所述初始时间点之后的第二时间段内的最大瞬时速度小于所述预设阈值，且所述第二时间段的最后时刻的瞬时速度为零时，确定所述初始时间点为所述候选事故时间点。

3.根据权利要求1所述的车辆事故识别方法，其特征在于，所述基于第三时间段的每个时间点的车辆数据进行特征提取，得到目标统计特征，包括：

基于所述第三时间段的每个时间点的车辆数据进行特征提取，得到初始统计特征；

将所述初始统计特征中的有效特征确定为所述目标统计特征。

4.一种车辆事故识别装置，其特征在于，所述车辆事故识别装置包括：获取单元和确定单元；

所述获取单元，用于在确定目标车辆发生事故后，获取第一时间段内的所有初始时间点，以及所述目标车辆在每个初始时间点的车辆数据，所述车辆数据包括：所述目标车辆在所述初始时间点的瞬时速度、发动机转速、油门开度、是否刹车；

所述确定单元，用于根据所述获取单元获取的每个初始时间点的车辆数据，在所述所有初始时间点中确定至少一个候选事故时间点；根据每个候选事故时间点和预设的分类模型，确定每个候选事故时间点对应的事故概率，所述事故概率为所述目标车辆发生事故的概率；将所述至少一个候选事故时间点中，最大的事故概率对应的候选事故时间点确定为目标事故时间点；

所述确定单元，具体用于：

基于第三时间段的每个时间点的车辆数据进行特征提取，得到目标统计特征，所述第三时间段以所述候选事故时间点为中心时间点，所述第三时间段包括所述候选事故时间点之前的预设时间段和之后的所述预设时间段；

采用所述分类模型对所述目标统计特征进行处理，得到所述候选事故时间点对应的事故概率。

5.根据权利要求4所述的车辆事故识别装置，其特征在于，所述车辆数据包括所述目标车辆在所述初始时间点的瞬时速度，所述确定单元，具体用于：

当所述初始时间点的瞬时速度大于预设阈值，所述初始时间点之后的第二时间段内的最大瞬时速度小于所述预设阈值，且所述第二时间段的最后时刻的瞬时速度为零时，确定所述初始时间点为所述候选事故时间点。

6.根据权利要求4所述的车辆事故识别装置，其特征在于，所述确定单元，具体用于：

基于所述第三时间段的每个时间点的车辆数据进行特征提取，得到初始统计特征；

将所述初始统计特征中的有效特征确定为所述目标统计特征。

7.一种车辆事故识别装置，其特征在于，所述车辆事故识别装置包括：处理器和存储器；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；当所述处理器执行所述计算机指令时，所述车辆事故识别装置执行如权利要求1-3中任意一项所述的车辆事故识别方法。

8.一种计算机可读存储介质，其特征在于，包括计算机指令，当所述计算机指令在车辆事故识别装置上运行时，使得所述车辆事故识别装置执行权利要求1-3中任意一项所述的车辆事故识别方法。