随着国家人均车辆拥有量和交通参与者的数量日趋的庞大,但与此同时,交通安全问题也日益凸显,事故的发生威胁人民的生命安全,也造成了社会财产的损失。交通事故风险预测可以协助城市管理者有效的,具有针对性的分配人力、物力等资源来缓和交通压力,警惕和预防交通事故的发生。因此,交通事故风险预测研究拥有的实践意义和社会意义。目前,随着智能化传感器的广泛普及和数字化时代的到来,人们通过物联网和大数据分析等众多技术来构建智能交通系统。对路面交通信息指标进行系统全面的采集后,可以对城市交通流量等进行实施的动态监控,实行智能调度,提升城市的道路交通运输的效率,缓解交通压力。除此之外,还可以挖掘交通事故数据背后所暗藏的时空规律,用于预测事故的风险概率。因此本文以纽约市交通相关数据为研究对象,借助经典的机器学习和时空图卷积深度网络模型,对城市道路交通事故风险进行预测。论文主要实践工作如下:（1）多源异构数据集的采集、分析和预处理。首先,采集本文所使用到的数据集,包括交通事故数据、交通流速度数据、天气数据、道路设计数据和兴趣点数据等,并对数据集进行简要介绍和说明。其次,初步探索了各个变量对交通事故风险水平的影响。然后,对异构数据集进行了预处理,包括变量单位的统一和转化、数据在时间和空间维度对应、缺省和异常值的处理、特征抽取等流程。最后,对数据处理方法和步骤进行总结和归纳,形成完整的交通事故数据预处理的流程方案。（2）提出时空图卷积神经网络预测模型。模型的提出用来解决城市道路的交通事故风险预测问题。对模型结构特点和构建进行解释说明,该模型的结构加入了空间层和时空层两个卷积层,主要包括三个部分:第一个部分,空间图卷积层。使用图结构模拟刻画路段间的空间关系,利用图卷积来捕获道路空间的关联性,聚合了路段及其邻域的空间结构特征信息;第二个部分,时间卷积层。在时间维度上进一步采用标准卷积层,通过合并连续时间节点的信息来更新节点的信号。拟合道路在未来时间节点的风险水平与历史时间戳的关系;第三个部分,全连接层。设计了一个特征融合模块,将气象特征、日期特征等外部特征等处理之后,与其他维度特征变量进行连接,作为最终预测的输入。（3）实证分析。为验证所提模型的有效性,本文以纽约交通事故相关数据为例,通过横向比较经典机器学习算法和时空图卷积模型的性能,实证结论显示为,时空图卷积神经模型在各项评估指标的表现都优于传统的机器学习模型。另外,依次剔除了空间、时间和外部特征三个特征模块后,纵向比较了不同维度特征对模型性能的影响程度。结果表明,不包含任一特征维度的模型的预测性能都有一定的损失,主要表现为空间特征和外部特征对模型的精度影响最大。本文的创新点主要概括为如下几点:（1）基于路网结构的数据建立图结构,通过图卷积更有效的获取道路的空间特征相关性。（2）加入多维度影响因素的考量,如刻画道路空间环境特征的POI兴趣点因素、时间维度的道路交通流速和气象特征、日历特征等外部因素特征。（3）构建时空图卷积神经网络,模型的主要三个结构分别用于捕捉道路的空间相关性、时空依赖性和外部因素的影响,使得道路交通预测的精确度更加高。