交通事故的发生多与人为因素有关，已有研究结果表明，交通事故和危险驾驶行为密切相关。交通违法行为在一定程度上反映了驾驶者的危险驾驶行为习惯与特征，因而降低交通违法的发生有望减少驾驶者的危险驾驶行为，从而提高道路交通安全。然而，在现实中交通违法的种类繁多，如何系统、全面、精细地分析交通违法与交通事故间的关系，实现交通违法精准治理是交通安全防控需要研究的重要问题。因此，本文主要围绕交通违法和交通事故间的复杂关系展开深入研究，准确识别出与交通事故程度及风险强相关的高危交通违法类型和高危交通违法场景，并对其时空分布特性及演化规律进行深度挖掘分析，为交通违法精准治理和交通安全防控提供重要依据。本文的具体研究内容如下。
　　交通违法和交通事故对应关系分析。交通违法种类繁多，需要从众多交通违法行为中挖掘与交通事故程度及风险强关联的高危交通违法类型，为交通执法与管理提供依据。该部分通过非线性数据降维方法进行特征提取，通过聚类分析挖掘交通违法类型和交通事故类型的多对多对应关系，从众多违法类型中识别出和高危交通事故存在关联的高危违法类型，为之后的交通事故成因关系模型构建打下基础。
　　交通事故成因关系模型构建。该部分从历史交通数据中充分挖掘人、车、道路、环境等方面多种因素，纳入到交通事故成因建模分析中，利用贝叶斯网络构建高危交通违法等因素与交通事故的耦合关系模型，从而精准揭示多种事故成因之间的复杂耦合关系，并基于对事故风险提升度的比较，确定了提高事故风险的高危交通违法场景，为之后的时空分布特性分析提供了依据。
　　高危交通违法时空分布分析与演化规律挖掘。首先，针对研究识别出的高危交通违法，对其整体的时间分布和空间分布特性进行了分析，判断出高危交通违法分布较为集中的区域以及发生较为频繁的时间段，为日常的交通执法和安全管理提供了依据。之后，分别构建了传统时间序列SARIMAX模型与神经网络分析GRU模型，对选取的三个典型高危交通违法场景的演化规律进行挖掘，并对其未来短时间内的发生数量进行预测。模型拟合度统计指标显示GRU模型相对SARIMAX模型能够更好地预测出高危交通违法的演化规律，模型总体的预测精度较为理想。预测结果可以为交通管理部门专项违法整治的警力部署提供依据，大大提高执法效率。
　　本文的研究成果可以帮助交通管理部门更加深刻地了解交通违法行为与交通事故风险间的关系，并为交通违法治理与交通安全防控提供重要依据。