1.基于SPZN的智能网联汽车系统随机事件预测方法，通过智能网联汽车系统进行实现；所述的智能网联汽车系统由多辆智能网联汽车的车载自组织网络和分别与之相连的汽车电子控制单元和智能控制系统构成；所述的车载自组织网络由多个车载短程通信装置联网实现，可实现车与车之间的通信及车与路之间的通信；所述的汽车电子控制单元为汽车上安装的传感器、控制器和执行机构；智能控制系统为带有SPZN控制算法的中央处理器；

其特征在于，该方法包含以下步骤：

S1：智能控制系统通过通信实时获取汽车电子控制单元信息并依据相关交通规则，进行车辆控制信息流传输相关约束规则制定；

S2：基于汽车电子控制单元信息的特点以及汽车控制信息流传输相关约束规则的特点，利用Z语言对智能网联汽车系统进行状态和变迁的框架形式化描述；

S3：根据车辆控制信息流、传输过程中相关约束规则、智能网联汽车状态、状态在某一时段内出现的概率、变迁的前置条件、后置条件，建立智能网联汽车系统的融合Stochastic Petri网(SPN)模型；

S4：融合Z语言形式化描述和融合Stochastic Petri网模型，建立智能网联汽车系统协同控制的SPZN形式化模型；

S5：根据智能网联汽车系统协同控制的SPZN形式化模型，将该模型的可达性问题转换为图同构的马尔科夫链模型；

S6：分析该系统同构的马尔科夫链模型，根据稳态概率状态选择对应策略；

S7：针对步骤S6中预测汽车发生事故的情形，对车辆控制信息流传输相关约束规则进行修改；

步骤S4所述的智能网联汽车系统协同控制的SPZN形式化模型为融合Z语言形式化描述和SPN模型的(P，T，F，ZP，ZT，S，C，M0，λ)九元组的形式化描述的模型；其中，(1)ZP，ZT分别为采用Z语言框架抽象描述的汽车电子控制设备状态P和汽车电子控制设备对应的所有状态变迁T；

(2)S是P→ZP的一一映射关系，C是T→ZT的一一映射关系；

所述的步骤S5具体为：

S501：定义一个s×s维的状态转移矩阵Q＝[qi，j」1≤i，j≤s，其中，s为SPZN模型中所有可达的状态数；

S502：当i≠j时，若存在操作tk∈T，使得从当前状态Mi变迁到另一状态Mj，则qi，j＝λk；

S503：当i≠j时，若不存在任何操作，使得从当前状态Mi变迁到另一状态Mj，则qi，j＝0；

S504：当i＝j时，

S505：令智能网联汽车从状态Mi开始，经过变迁到另一状态Mj的稳态概率为向量X＝[x1，...，xs]，那么根据马尔科夫过程，可达性问题转换为马尔科夫模型如下：

2.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，单个所述的汽车电子控制单元信息包含汽车电子控制单元唯一标识名称Id‑name和汽车电子控制单元属性；所述的汽车电子控制单元属性包含所有的汽车电子控制单元所有存在的状态P＝{pi|i＝1，2，…，m}、所有的汽车电子控制单元对应的所有存在的变迁T＝{tj|j＝1，2，…，n}以及对应的所有存在的操作的变迁实施速率λ＝{λj|j＝1，2，…，n}；其中，m、n为所有汽车电子控制单元对应的状态和操作的总数，所述的变迁实施速率即为变迁发生的平均时延的倒数。

3.根据权利要求2所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，所述的含所有的汽车电子控制单元状态P可以按照理论推导、人为经验或者深度学习分类器训练将其分为正常驾驶状态和非正常驾驶状态。

4.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，所述的车辆控制信息流传输相关约束规则为车辆控制信息流传输的方向和关系；所述的车辆控制信息流传输的方向包含所有车辆各个汽车电子控制设备的输入I、输出O；所述的车辆控制信息流传输的关系包含所有车辆的各个汽车电子控制单元的状态和操作之间的前置条件P×T和后置条件T×P。

5.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，步骤S3所述的智能网联汽车系统的融合Stochastic Petri网模型为(P，T，F，M0，λ)五元组的融合Stochastic Petri网模型；其中，(1) 为各个汽车电子控制单元操作变迁的前置条件或者后置条件的集

合，等价于有向弧集合；

(2)Mi＝(vol(p1)，vol(p2)，…，vol(pm))为智能网联汽车系统操作变迁前的状态向量，其中，初始时刻i＝0，vol(pj)为当前状态pj的汽车电子控制单元数量。

6.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，步骤S7所述的对车辆控制信息流传输相关约束规则进行修改具体为：当智能网联汽车通过任意操作集合 从某个状态Mi变迁到正常状态状态Mj的概率过低或某个状态Mi变迁到异常状态Mj的概率过高时，结合车辆汽车电子控制设备状态ZP，基于深度学习方法对车辆汽车电子控制设备操作ZT中相关参数进行调整。

7.根据权利要求6所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，所述的深度学习方法为CNN神经网络，所述的参数调整包含对操作的变迁实施速率λ以及F中的前置条件或后置条件进行调整。