随着我国交通系统的日益发达,其安全性得到进一步重视,交通事故的预测任务具有重要意义。为进一步完善智能交通系统对各项交通事故指标的预测功能,提升对未来交通事故数据的预测性能,以及高效的服务交通管理决策部门。本文以交通事故历史数据为研究对象,使用不同的算法模型,建立道路交通事故预测模型,来提升交通事故数据量的预测精度。研究内容主要如下:(1)研究综述中,从道路交通事故安全指标的数值预测、道路交通事故风险预测两个角度进行综述,分析了国内外学者提出的各种模型的优缺点,并发现国内研究工作对新算法的应用尝试较少,高精度详细的事故数据难获取等问题。(2)针对交通事故数据的宏观预测任务,以我国年级别交通事故相关数据为研究对象,同时利用LSTM和GBRT算法,建立交通事故组合预测模型。实验结果表明:本文所提出的模型比多类基线模型的预测精度要高。(3)针对交通事故数据的微观预测任务,以英国某市的历史交通事故数据为研究对象。基于时间的周期性规律特性,本文首次提出了一种基于时间周期的时序关系建模方法。按天、月为时间单位做统计,将离散特征的类别子标签与预测交通安全指标建立映射关系,根据预测指标的数值量化类别子标签,得到数据序列化数据。以GBRT模型为基准,实验对比了多种时序建模方法,实验结果表明:基于时间周期时序关系的GBRT模型在3类交通事故指标预测任务表现出了较佳的性能。