在21世纪的今天,经济的高速发展使得汽车保有量和公路里程数都呈现急速上升的趋势,这导致道路交通安全状况受到了极大挑战,道路交通事故已经严重威胁到人们的生命财产安全。通过分析道路交通事故记录数据得到隐藏着很多潜在规则,依据这些规则制定相应的措施改善交通安全状况具有重大意义。本文基于Leeds市道路交通事故数据集上针对道路交通事故成因分析与预测问题进行了研究,主要工作及研究成果主要体现在以下几个方面:（1）在对道路交通事故原始数据进行数据预处理后,先通过统计分析分析了数据集的各个属性特征,然后基于Apriori算法,对数据进行关联规则挖掘;最后对挖掘的规则进行分析,从人、车、路、环境等多个方面分析各个条件属性对于道路交通事故的影响。（2）将连续多天的道路交通事故数统计为时间序列数据。首次采用相似波形匹配延拓的EEMD算法对不同时间尺度下的道路交通事故序列进行分析;并且通过希尔伯特频谱分析计算各分解结果的连续频率和周期,定义波动产生原因,进一步获得道路交通事故各叠加分量的时序特征,并且由此分析事故数目波动的原因,掌握不同时间尺度下的事故序列规律。（3）提出了一种基于改进的EEMD算法分别与PSOSVR模型、WNN模型结合的道路交通事故预测模型,并对不同时间尺度下的道路交通事故序列进行预测。在对每一个时间尺度下的道路交通事故序列进行改进EEMD算法分解后,根据各分量与原始时间序列的相关性和功率贡献率,建立基于全部分量输入的预测模型和基于合并分量输入的预测模型,获得分量的预测结果并进行融合预测,通过实验选取效果最优模型获得精确的预测结果。