近几年来，高速公路事故发生率居高不下，其事故后果的严重性和伤害性同样也高于其他等级道路所造成的事故后果。同时，对于高速公路而言，其交通流检测器的安装又具备相对普遍性。高速公路实时事故风险研究是当前的热门领域。因此本论文将研究如何深入分析交通流检测数据，以便能够对高速公路事故风险进行进一步地实时预测。
　　首先本文基于美国加利福尼亚州2012全年事故发生最多的四条高速公路I5、I10、I15和I405的全年交通流数据和事故数据，本文按照病例对照研究，选取出事故组和对照组的数据，然后分别选用二元Logistics回归、SVM支持向量机和随机森林方法对变量进行训练构建风险预测，可以达到较好的事故识别效果，且相对于以往研究具有更低的非事故报错率。随后研究了该三种方法构建的模型的使用性能，还发现多条路数据混合后会导致模型的识别率变差，但SVM模型和随机森林模型对这种混合较为不敏感；另外，还研究了模型建立时所采用的数据处理措施对影响模型识别效果的影响。随机森林方法结合了二元Logistics回归方法和支持向量机方法的共同优点，随机森林的准确率和SVM支持向量机模型的事故正确率接近，而且在此次论文研究中可以有效选取事故重要诱因变量。
　　然后选取重要性最高的10个自变量作为事故重要诱因变量，在后期补充的测试集中，对事故重要诱因变量进行多种方式的调值，其余自变量的值不变，利用MATLAB平台将调值后的测试集放入之前构建的随机森林模型进行分类预测，比较测试集调值前的事故结果和调值后的预测事故结果，寻求事故重要诱因变量的最优调值方式。
　　最终结合高速公路主动交通管理的三个重要策略：可变限速、入口匝道控制和临时路肩使用，提出了事故重要诱因变量具体调值措施。