截止到2018年底,中国机动车保有量已达3.27亿,如此庞大的机动车规模使得交通安全问题日益突出,对人类生命安全的威胁愈发严重。为了改善道路安全状况,就需要对车辆的事故风险概率进行预测,以引入智能交通系统和汽车安全辅助驾驶技术。但当前的车辆事故风险预测方法存在着服务响应时延过高,预测准确度低的问题。因此,本文提出了一种应用于车联网中的基于雾计算的终端风险概率预测方法,具体研究内容如下:1、针对车联网边缘网络计算卸载能力易因运算资源有限而导致热点区域服务质量下降迅速的问题,本文提出了基于雾计算的负载均衡的运算资源有效任务卸载算法。该算法首先将雾计算网络任务分配设计成任务响应时间与雾计算数据中心运算资源占用的优化问题,同时满足任务期限与网络资源约束;其次,当车辆终端提出计算卸载任务请求时预估其计算资源需求,调度器根据资源优化模型优先将任务卸载到雾计算网络中空闲运算资源最多的数据中心,若所有雾计算数据中心运算资源占用过高,则将任务卸载到云计算数据中心。仿真实验表明,使用负载均衡的运算资源有效任务卸载算法可以保证运算系统响应请求任务失败的比例仅为2.74%并使得响应请求任务的时延比传统雾计算方法平均任务响应时间快0.47秒。2、针对车辆终端生成多种格式的大数据集,其实时处理效率和分析准确度无法满足汽车安全辅助驾驶要求的问题,本文提出了一种三分类AdaBoost-SO算法用于预测道路车辆的事故概率。该算法首先利用少数类过采样技术重建研究数据集,对研究数据集中的少数类进行过采样合成新的样本,补全原始数据集缺失数据、均衡各类别样本数目,并将各样本特征采用One-Hot编码;再运用三分类AdaBoost算法分析数据,从研究数据集中训练一系列弱分类器,然后将其组合成一个强分类器,实现车辆事故风险的预测并对其进行仿真测试。仿真结果表明,本文提出的三分类AdaBoost-SO算法进行事故概率预测可实现曲线下面积为0.77的预测准确度。