近年来,机动车、驾驶人数量及道路交通流量保持着迅猛增长的趋势,给人们生产生活带来便捷的同时,也带来不容忽视的安全隐患。分析人、车、路、环境等多方面因素对交通事故风险的影响和作用机理,构建高效的交通事故预警模型,制定行之有效的城市道路交通主动安全保障措施,为居民的出行保驾护航已成为亟待解决的问题。交通流因素是影响城市道路交通事故风险的关键因素之一,利用交通流数据,研究交通流动态特征对交通事故风险的影响,是对城市道路交通事故进行精准研判和提高整个城市道路交通系统安全水平的主要途径。此外,面向城市路网深入分析和掌握交通流变化规律,提高交通流预测的实时性、可靠性和自适应性是目前关注和研究的热点,为交通事故预警提供重要的数据保障。本文按交通流特性分析—交通流预测—交通事故预警的逻辑层次展开研究,重点解决如何分析城市路网交通流空间相关特性、如何利用交通流空间互相关特性实现城市路网多断面交通流短时预测以及如何利用交通流因素进行交通事故预警等问题。本文针对这些主要问题进行了深入研究,并通过场景实例或数值实例对相应的理论方法进行了验证,主要研究成果具体体现在以下几个方面:(1)基于复杂网络理论提出了一种体现路段交通流空间互相关性的城市道路交通网络建模和分析方法。利用复杂网络理论对城市道路交通系统进行建模,用以体现路网中路段交通流互相关分布的复杂性。将城市道路交通系统表示为一个由系统内路段上的交通流空间相互关联而生成的网络。其中,网络的节点代表路网中路段,节点之间的边是否存在取决于节点对上交通流序列空间相关的程度。针对构建的城市道路交通网络,提出一种考虑地理权重的PageRank算法(GWPA),用于确定路网中路段的重要度,为交通流相关性空间聚类的划分提供支持。(2)从复杂网络社区发现角度探索路网中路段交通流空间相关性分布规律,提出了一种基于GWPA-k-means的城市路网交通流空间相关性分析方法。该方法从两方面对传统的k-means算法进行改进:针对初始种群选择问题,提出了一种改进的基于密度峰值的聚类中心选取算法,利用节点的GWPA值和最短路径长度确定初始种群;针对节点相似度矩阵构造问题,基于节点GWPA值,提出了一种加权的信号传递方法,用于测量网络中节点的相似性,为k-means聚类提供依据。实验结果表明,GWPA-k-means方法能较好地揭示城市路网中路段交通流空间互相关模式。(3)基于交通流空间相关特性,提出了一种基于社区发现和长短期记忆神经网络的多断面交通流短时预测方法。方法首先根据GWPA-k-means算法划分的路段交通流空间互相关模式将路网划分为若干个区域,位于同一个区域内的路段之间交通流空间相关性较强;然后针对每个区域路网,以路段交通流序列构成的二维矩阵序列为输入,利用长短期记忆神经网络对选取交通流数据进行时空特征学习,进而实现多断面交通流短时预测。针对预测模型参数设置问题,提出了一种基于自适应正交遗传算法的模型参数优选算法。实验结果表明,考虑城市路网交通流空间相关性可以提升交通流预测精度,该方法在传感器故障造成数据缺失情况下适应性良好,具有较强的鲁棒性。(4)以交通流数据为基础,提出了基于交通流因素的城市道路交通事故预警方法。在实时获取交通流状态的基础上,分析交通流因素对交通事故风险的影响,并分别从交通事故检测和交通事故风险预测两方面对交通事故预警方法进行研究。以一种域划分的角度去阐明交通流变量与交通事故风险的关系,给出了交通安全域的概念;提出了一种基于序列向前选择和主成分分析的特征提取算法,用于提取影响交通事故风险的显著特征变量;提出了一种基于最小二乘支持向量机的安全域估计方法,用交通安全域实时检测交通事故。此外,基于实时获取的交通流数据,将交通安全域和可靠性分析理论相结合,提出了一种交通可靠性模型,该模型可同时对交通事故风险进行宏观的统计评价和面向单个交通事故的实时风险预测。