随着我国社会经济的快速发展和城镇化的进程不断增快,城市交通的繁荣发展也引发了诸如交通安全等众多社会问题,解决城市道路交通安全问题的核心是对交通事故进行科学合理的分析和预测。城市交通系统是由驾驶人、车辆、道路和环境四种因素组成的动态耦合系统,安全行驶过程是指驾驶人在道路及环境的组合影响下,使用安全可控的驾驶行为操纵车辆的过程,一旦车辆、道路和环境组合的外界刺激超过驾驶人心理预期,会导致驾驶人采用不当驾驶行为而增加行车风险。驾驶人行驶心理的舒适性和稳定性确保了驾驶行为的安全可控,保证稳定和适宜的驾驶人心理期望是改善交通安全的根本方法。但传统的交通事故分析及预测方法大多考虑道路、车辆和定位分析为主的环境等外界因素,忽略了驾驶人本身在安全行车的主导作用,导致事故分析和预测方法缺乏科学性,降低了交通事故的管控效果。道路熟悉度与驾驶压力负荷被用来描述驾驶人因素,道路熟悉度是描述驾驶人对行驶路线、交通环境和城市景观的认知程度的指标,通过视觉感知状况的影响和反馈来引导心理状况的变化,进而造成驾驶行为及行驶策略的改变。道路熟悉度对交通安全的影响是驾驶人、车辆、道路和环境全因素组合影响的结果,传统方法仅仅采用驾驶行为、行驶环境等单一因素分析不能良好的揭示道路熟悉度对交通安全的影响机理,从而丢失关键信息和结论。而驾驶压力负荷指驾驶过程中驾驶人对车辆、道路和环境因素变化感知后预留认知空间的需求指标,驾驶压力负荷的异常增加会造成驾驶行为无法完成预期操作,最终作用于车辆运行状况而造成交通事故,但由于驾驶压力负荷的量化过度依赖生理数据且生理数据日常采集难度较大,导致压力监测及评估方法仍然难以应用于日常中。因此,本文通过与交通安全建立联系,揭示了道路熟悉度及驾驶压力负荷与行车安全的影响机理,并以此为基础结合车辆、道路和环境因素构建了全因素组合影响下的城市交通事故分析及预测方法。为了弥补传统事故分析和预测方法对于驾驶人因素及全因素组合影响的不足,本文从城市交通系统的驾驶人、车辆、道路和环境全因素动态耦合系统的角度出发,确立了以驾驶人为信息交互中枢、以车辆为信息传递表观的基于信息交互的类反射弧的城市交通事故分析方法。以此为基础,提出了全因素的数据采集方法与多源数据特征提取与融合方法,开展实车试验和利用丰富的、易提取的和不断増长的街景图像等开源数据作为驾驶人、车辆、道路和环境全因素的数据来源,利用深度学习等多元技术方法提取全因素实时动态特征参数,并基于K-Means三维聚类分析方法建立了驾驶压力负荷分级标准,为交通事故分析及预测方法提供车辆、道路和环境因素方面的数据支持。从道路熟悉度和驾驶压力负荷两方面对驾驶员因素分析及量化,一方面,结合驾驶人生理数据、驾驶行为和行驶环境全过程分析了道路熟悉度对交通安全的影响情况,探究了道路熟悉度对驾驶人心理状况甚至行车安全的影响机理,“分心阈值”的发现也为城市分心驾驶提供了新的思路。另一方面,利用全因素实时动态特征参数分别对驾驶压力负荷进行动态监测和静态评估。基于车辆运行数据和行驶环境数据采用机器学习算法构建驾驶压力监测模型,模型在摆脱对生理数据依赖的前提下性能超过多数传统算法。利用易提取和逐渐完善的街景图像等开源数据和机器学习算法构建了城市道路驾驶压力负荷评估模型,实现了大规模和高效率评估城市道路的驾驶压力负荷,也为全因素的城市交通事故预测模型的构建提供了数据来源。可解释的Shapley Additive explained（SHAP）方法被用于探究特征对模型的重要性以及模型之间的交互性,为更好地理解城市交通环境与驾驶压力负荷之间的内在联系提供了量化工具。城市驾驶压力负荷评估模型的加入,仅利用街景图像、交通量等开源数据提取了全因素的特征值,分别采用泊松回归模型和负二项回归模型构建了基于驾驶人、车辆、道路和环境全因素组合影响下的城市路段交通事故预测模型,解决了多源数据采集和融合方法缺失的问题。弹性系数分析方法与边际效益系数分析方法探究了全因素关联变量与交通安全的潜在联系。最后,以基于驾驶人、车辆、道路和环境全因素的城市道路驾驶压力负荷及交通事故分析及预测结果为基础,结合驾驶压力负荷和交通安全两方面提出了一种基于驾驶人、车辆、道路和环境全因素的交通安全的改善方法,建立了结合驾驶压力负荷分析的城市道路事故多发段的精准预测和改善措施提出等一整套城市交通安全改善步骤和流程方法。本文提出了基于驾驶人、车辆、道路和环境全因素组合影响下城市交通事故分析及预测的量化框架,引入道路熟悉度和驾驶压力负荷指标,量化了驾驶人因素对交通安全的影响机理,并且以驾驶人因素为核心从全因素的角度对传统的城市交通事故分析及预测方法进行了理论补充,实现了全因素的城市交通事故的精准预测,并为城市道路交通安全的改善提供了理论支持和方法支撑。