高架道路作为城市交通走廊具有十分重要的骨干作用,高架道路的交通异常和交通事故往往会诱增道路服务水平的恶化。对于高架道路异常以及事故风险等问题,以往的研究一般都是基于静态交通事故数据的统计分析,然而其在交通异常和交通事故实时检测的实时性相对较差,而且在道路交通事故风险评估上往往还需要更多的数据支撑。本文首先通过研究高架道路的交通异常、交通事故和交通状态的特征,然后提出了一系列深度学习的解决方法来实现高架道路的交通异常预警、交通事故实时检测以及高架道路的事故（RTA）风险评估。本研究针对可获取的交通状态序列数据特征和交通事故特征,建立深度学习模型以实现对交通异常的实时预警和交通事故的实时检测,并基于此继续探讨高架道路事故风险的评估方法。因此,本文主要研究高架道路的交通异常实时预警、交通事故的实时检测以及高架道路的交通事故风险评估三方面的问题。（1）高架道路的交通异常实时预警。本文首先结合可获取的交通状态时序数据,然后进行数据的挖掘、分类以及整合并实现对交通事故的时空特性的分析。然后,采用了一种新颖的时间序列对抗生成网络（TimeGAN）框架,同时结合了监督学习和无监督学习以解释交通序列数据上的时间相关性。此模型在学习时间序列的内生空间时,同时对监督学习和对抗训练这两个目标进行优化,保证模型能够在采样历史数据的同时还可以捕获交通特征。基于TimeGAN的交通异常检测模型结合了非监督学习的范式灵活的特点和监督学习对于训练过程控制力强的性质。最后,结合上海延安高架道路交通流数据,对比其他预警模型框架的结果,基于TimeGAN的交通异常检测模型能够更好地实现交通异常的预警。（2）高架道路上的交通事故实时检测。首先,为了分析交通事故前后的交通要素序列数据和交通流异常的特征,该部分建立了一套基于Seq2Seq自编码器的交通异常检测模型和预警流程。其次,在Seq2Seq模型的基础上引入了注意力（Attention）机制以捕捉重要的交通状态特征。然后,通过对比原始数据和预测数据的重构误差,并根据设定的阈值实现交通事故的实时检测和事故风险等级的划分。最后,采用上海市延安高架数据并通过混淆矩阵评价方法,论证了该交通事故实时检测模型的可行性,该模型的平均敏感性达到74%且误警率低于22%。（3）高架道路的交通事故风险评估。首先,本文对交通事故风险分析设计了多个自编码模型,且各模型均可对输入的数据实现基于结构误差的数据粗分类。在每一轮的数据分类中,首先将全部无标签数据作为自编码的训练集输入。训练集中的正常数据占比相对显著高,所以相应的自编码器可以较好地捕捉正常交通流的隐藏特征。其次,通过判别标准得到置信度较高的正常数据并执行下一轮的数据粗分类。然后,通过随机森林思想可以得到置信度更高的正常数据集合以及相应构造能力较强的自编码模型,并且可以将此模型应用于交通序列数据的重构和判别,以最终实现对交通事故风险的判别。另外,为了更好地量化道路事故风险,该部分针对事故处理四阶段分别给出特征增强的考虑。通过对比,考虑特征增强的模型能够更敏感地响应长时间的交通事故以及潜在的交通异常。基于此,异常检测方法将重建模型和事故识别模型相结合,为交通管理的高架道路交通事故风险和黑点评估提供了一种替代方法。该方法将通过深入挖掘交通异常来克服RTA评估中事故数据受限的问题。本文的研究实现了对高架交通事故的深度分析,同时为高架道路交通状态异常预警、交通事故实时检测以及交通事故风险评估的三级联动提供了重要的主动决策依据。