道路交通事故被认为是当今世界最严重的问题之一,对人类生命和财产安全造成了极大威胁。城市道路交通系统是道路交通系统的重要组成部分,其安全水平直接关乎城市发展进程,因此,开展城市道路交通事故预防工作刻不容缓。交通事故影响因素分析及预测研究是事故预防工作中不可或缺的环节,有助于提前了解事故发展趋势,为预先采取针对性的管控措施提供理论支撑,有利于降低事故发生概率。本文首先借鉴经典事故致因理论的主张,分析了城市道路交通事故的发生过程,结合安全系统工程的思想,分析了城市道路交通事故的主要影响因素,主要包括人的因素、车辆因素、道路因素和环境因素四方面。接下来,考虑到组合预测模型的性能优于单一模型及城市道路交通事故数据的样本容量大等特点,引入Ada Boost算法,并应用随机森林和Light GBM作为基预测器,网格搜索法结合5折交叉验证法作为参数寻优方法,构建了参数优化的集成模型:GSK-Ada Boost-Random Forest模型和GSK-Ada Boost-Light GBM模型,以双重验证Ada Boost预测模型的可行性。最后,采集了Leicester的城市道路交通事故数据作为样本数据,经过预处理,应用其训练得到了城市道路交通事故预测模型,同时,计算了模型在测试集上的评估指标值,与3组对照组:常规模型组、参数优化的常规模型组和集成未优化参数的模型组的预测性能对比。结果表明参数优化的集成模型的准确性高于常规模型,参数优化的常规模型和集成未优化参数的模型。城市道路交通事故GSKAda Boost-Random Forest预测模型和GSK-Ada Boost-Light GBM预测模型,与常规模型相比,RMSLE分别降低了80.7%、82.1%,MAPE分别降低了81.9%、87.4%;相比于集成未优化参数的模型,RMSLE分别降低了22.2%、23.5%,MAPE分别降低了28.1%、33.3%。综上说明,本文构建的预测模型的评估指标值最低,说明Ada Boost模型预测性能较佳,将其应用于城市道路交通事故预测领域可行。同时,本文提出了城市道路交通安全对策措施的具体建议。该论文有图20幅,表8个,参考文献111篇。