信号交叉口作为城市道路网的关键节点,可实现各方向交通流的汇集和转向,但由于信号交叉口交通量大、车辆行驶走走停停,因此也是产生交通冲突、交通事故的密集区域,其安全状况面临着巨大的挑战。因此,本研究基于信号交叉口的Li DAR点云数据,采用交通冲突技术和深度学习方法,对信号交叉口机动车行驶的安全问题进行研究。基于Li DAR采集了哈尔滨市信号交叉口63个小时的点云数据,采用RSS感知SDK对点云进行处理,从中提取了三条直行车道内所有机动车的轨迹数据。为建立信号交叉口交通参数与追尾冲突间的关系,分别从交通量、排队队列、交通波三个方面,定义了与机动车运行状况相关的九个动态交通参数,利用共线性检验筛选出最终的7个解释变量。然后,基于时间接近度与避险行为选定了四个追尾冲突判别指标:TTC、MTTC、PET、DRAC,并利用基于极值理论的POT方法及累积分布百分位数确定各指标判定追尾冲突的阈值。进而基于Python语言设计程序,从机动车轨迹数据及信号配时信息中,自动提取各信号周期的动态交通参数和追尾冲突数据。为了实现追尾冲突频数的不确定性预测,同时抑制模型的过拟合现象,本文将蒙特卡罗随机失活（MC Dropout）技术应用于循环神经网络,构建了Bayesian-LSTM与Bayesian-GRU两种贝叶斯神经网络,分别预测四个冲突指标识别出的追尾冲突频数。同时,利用神经网络天然的多标签预测特性,构建了两个四输出的Bayesian-LSTM/GRU模型,同时对四个指标确定的冲突频数进行预测。通过Monte Carlo采样的方法,得到每个输出值包含1000个不同预测结果的预测序列,继而获得每个预测结果的概率分布及95%置信区间。为量化评估模型的预测效果,选用MAE、RMSE、R~2对每个预测序列的均值进行评估,同时定义了两个模型不确定性预测评估指标,即每个标签值预测序列的平均方差Var,以及在预测的95%置信区间内的实际观测值占总观测值的比例P95%。10个模型在测试集上的评估结果显示,针对TTC与PET指标构建的Bayesian-LSTM模型预测效果最好。对最优预测模型进行敏感性分析,发现交通量、队列比、静态间距、大型车数量均对模型预测追尾冲突频数有显著影响;而交通波面积与追尾冲突频数间有较强的正相关关系。追尾冲突在时间与空间上的分布特性显示追尾冲突在红灯信号初期与绿灯信号初期发生最为密集,且主要发生在距停车线50m内的上游区域。最后,针对以上追尾冲突的生成特性及影响因素,提供了相应的解决方案与建议。本文构建了基于宏观动态交通参数预测微观追尾冲突的深度学习模型,实现了信号交叉口安全水平及其不确定性的同步预测,为交通安全的主动分析提供了新的建模思路。此外,通过分析追尾冲突的生成规律,确定了影响交通安全的显著影响因素,为信号交叉口的安全改善提供了理论依据。