我国铁路运输的安全状况越来越好,但公路-铁路平交道口的机动车-列车冲撞事故仍然时有发生,此类事故同样严重影响着人民的生命财产安全。因此,论文针对平交道口交通事故构建事故严重程度预测模型,分析各影响因素与事故严重程度之间的潜在关系,并基于此提出平交道口安全运营的合理建议和措施,为铁路运输管理部门提高平交道口安全管理水平提供相关理论基础和技术支撑。论文基于美国联邦铁路管理局(Federal Railway Administration,FRA)开源数据库中2014-2018年公用平交道口的机动车-列车冲撞事故数据集,考虑到交通事故数据的类别不平衡性,在不同的采样方法下构建预测模型,并比较分析各采样技术下分类算法的综合性能。首先,论文参考既有研究文献初步选取36个自变量,并详细说明了各自变量的含义和量化标准。其次,经过数据清洗、缺失值填补及特征工程等处理过程后,最终得到37个二分类自变量。然后,在总结既有研究成果的基础上,论文将K-means+SMOTE采样技术拓展应用于平交道口3分类交通事故数据的类别不平衡性处理,并与SMOTE、BorderlinesSMOTE等采样技术下构建的交通事故严重程度预测模型的综合性能进行对比研究,结果表明:K-means+SMOTE采样技术下的XGBoost分类算法具有更优的预测性能,且对死亡事故数据具有更好的分析能力。最后,论文基于K-means聚类和蚁群算法提出KACOS采样技术,并基于该采样技术和集成分类算法XGBoost构建平交道口事故严重程度预测模型,结果表明:该采样技术可以进一步提升XGBoost的综合性能。此外,论文基于SHAP值分析了各主要因素对事故严重程度的正负影响,根据分析结果对平交道口的安全运营提出了合理的建议和措施。