随着我国高速公路的快速发展,不仅有力的促进了国民经济的飞速发展,同时也带动了区域工业化和城市化的进程。然而,高速公路交通安全问题日益严峻,已成为道路交通事故主要的增长源,不仅严重威胁人民群众的生命财产安全,更成为导致交通拥堵的主要诱因。近年来,随着高速公路动态交通控制系统等先进基础设施的不断完善和应用,海量高精度的实时交通流数据获取成为可能。为了提高高速公路交通安全,以及为交通管理部门更有针对性地制定动态交通安全管理策略及优化措施提供理论依据和技术支持,国内外学者逐渐加强了高速公路实时事故风险预测等相关交通安全研究。但是,目前现有高速公路交通安全研究仍然存在以下局限:（1）交通流在不同宏观交通流状态中会体现出不同的动态特征,具体体现在各交通流参数之间的差异性,而驾驶人在不同的交通流参数共同作用下会体现出不同的驾驶行为。因此,从宏观现象再到到微观行为,可以发现不同宏观交通流状态具有不同的安全特性,而现有研究缺少对交通流状态交通安全特性的考虑;（2）不同交通流状态下各事故形态的发生机理和事故前兆特征存在一定差异,而现有动态交通安全管控系统容易忽视上述差异,缺少对不同交通流状态下事故形态的关注,因而在事故风险预防过程中难以做到有的放矢,降低了交通安全防控的预测精度和效率;（3）以往的实时事故风险预测模型只关注了预测敏感度、特异性等指标,忽略了预测成本,在可预测性分析过程中缺少全面的考虑,另外,不同事故形态在不同交通流状态下的可预测性也不尽相同。本论文依托国家自然科学基金优秀青年基金项目《交通安全设计和评价》,系统研究高速公路典型交通流状态下事故形态与风险模型,主要研究工作如下:（1）经典宏观交通状态下各事故形态发生机理与前兆特征分析基于六级服务水平和三相交通流理论进行交通状态划分,结合典型危险交通流变量分布情况,采用雷达图分析不同宏观交通流状态下各事故形态的交通流特征。通过贝叶斯条件Logistic回归模型定量分析不同事故形态事故风险在各交通流状态中的变化情况。运用随机森林方法,探索不同宏观交通流状态下各事故形态的发生机理。基于不同交通流状态,通过建立贝叶斯随机参数序列Logistic回归模型,对各形态事故前兆特征进行分析。（2）基于交通安全状态的各事故形态发生机理与前兆特征分析分别从事故碰撞类型和严重程度的角度出发,采用相关性分析方法筛选危险交通流变量,并获取无相互关系的交通变量组合。通过建立贝叶斯多项logistic回归模型分析各事故形态的前兆特征,保证提取的事故前兆特征与各类型事故风险存在显著相互关系,进一步筛选危险交通流变量。利用K值聚类分析方法,使用Calinski/Harabasz pseudo-F指数合理确定分类数,基于事故碰撞类型和严重程度分别进行交通安全状划分。采取雷达图分析不同事故形态在各交通安全状态下的危险交通流因子分布特征,通过建立贝叶斯条件logistic回归模型分析不同交通安全状态与事故碰撞形态和严重程度之间的关联关系。运用随机森林方法对不同交通安全状态下的各事故形态发生机理进行研究,利用非线性典型性相关分析方法对各交通安全状态与经典宏观交通状态之间的相互关系进行研究。基于上述交通安全状态划分,通过建立贝叶斯随机参数序列模型对各事故形态的事故前兆特征进行研究。（3）不同形态交通事故风险预测模型的可预测性分析利用传统的贝叶斯Logistic回归模型建立不同交通流状态下各事故形态的实时事故风险预测模型,分别从基于交通流状态的AUC均值和基于事故样本的AUC均值角度出发,对比分析不同交通流状态下各事故形态的预测效果。采用敏感度和预测措施数量两个指标,对比分析不同交通流状态下各事故形态的可预测性。最后,分别从危险交通流状态、基于事故样本的预测精度均值和基于交通流状态事故风险的预测精度均值三个角度出发,判断不同交通状态划分方法对各事故形态可预测性结果的影响。（4）考虑事故形态的交通事故风险深度学习预测模型对基于深度学习的事故风险模型训练过程进行描述,通过基本参数设置,并结合模型的损失值和迭代次数的相互关系,判定不同深度学习模型的迭代次数。对比分析基于长短期记忆神经网络、支持向量机和传统贝叶斯Logistic回归模型三种方法的实时事故风险预测模型在不同交通流状态下各事故形态中的预测效果,并结合预测精度和预测成本,对比分析不同预测方法在不同交通流状态下各事故形态实时事故风险模型中的可预测性差异。（5）高速公路事故风险模型可移植性验证与提升方法针对美国高速公路数据,通过传统贝叶斯Logistic回归模型建立实时事故风险预测模型。采用贝叶斯更新方法,根据美国高速公路实时事故风险预测模型的相关参数,设置国内杭甬高速公路实时事故风险预测模型的先验概率密度分布,进而获得贝叶斯更新后的国内杭甬高速公路实时事故风险预测模型。从预测效果、预测精度和预测成本三个角度,验证贝叶斯更新前后的杭甬高速公路实时事故风险预测模型的可移植性。