随着高速公路的快速发展，事件也不断增多，髙速公路事件的预防和救援成为公路安全研究的重点。为了提高高速公路事件救援效率，学者主要研究了高速公路应急响应系统框架、资源分配策略以及最小化应急时间等。巡逻车作为事件发现和救援的一种有力工具是研究中的重点之一，然而，目前已有的巡逻车应急响应研究是基于先验的静态历史事件数据或路网结构的，灵活性不足，救援效率在一定程度提升后达到瓶颈。本文针对以上问题，将高速公路事件预测和巡逻车应急响应结合起来，通过减少应急响应时间提髙救援效率。　　本研究主要分为高速公路实时事件预测和巡逻车应急响应仿真两个部分。在实时事件预测中，首先，构建基于不平衡数据的交通事件预测模型，主要步骤如下：（1)收集交通状态数据和交通事件数据；（2)基于SMOTE算法对交通事件不平衡数据集进行平衡处理；（3)构建交通状态特征变量；(4)应用Relief算法对交通状态特征变量进行筛选；（5)使用最邻近（KNN)、Logistics回归( LR)、决策树（DT)和梯度提升决策树（GBDT)几种典型的分类器训练交通事件预测模型。其次，以美国I-5s高速公路为实例，预测交通事件并与不平衡数据集下的预测结果进行对比分析。在巡逻车应急响应仿真中，首先，分析巡逻车仿真系统实体、属性和事件，构建仿真系统；其次，设置路网、交通事件和巡逻车参数。最后进行多组仿真实验，对比分析事件响应时间。　　研究结果表明：巡逻车平均响应时间由23.5min和23.4min在工作日和非工作日分别降至17.2min和 16.9min。基于事件预测的巡逻车应急响应效率有所提闻，是一种有效的事件应急方案。