城市道路交通状况的好坏影响着一个城市的发展,因此在发生意外事故时若能够迅速解决,保障城市道路交通畅通显得尤为重要。由交通事故引起的偶发性拥堵在实际生活中经常见到,如何及时地将信息反馈给即将到达该路段的车辆使得驾驶员对事故持续时间有一个较准确的预判从而对出行路径做出选择具有重要的意义。本文收集了某市四环道路某年全年的交通事故数据,共计5388起,运用随机森林分类算法、生存分析法以及多项Logit模型对事故持续时间影响因素进行重要性排序以及对事故持续时间进行预测。首先对原始数据进行整理,利用简单的统计分析方法直观地探究各影响因素与事故持续时间之间的关系。其次采用随机森林分类算法将事故持续时间作为分类问题进行研究并对影响因素重要性进行排序,最终持续时间分类结果准确率为90.3%。再利用生存分析法中的K-M法探究单影响因素与事故持续时间之间的关系。然后利用Cox回归对事故持续时间的影响因素重要性排序进行探究并与随机森林得到的重要性排序结果进行对比分析。最后采用多项Logit模型分别对事故持续总时间、事故响应时间、事故清除时间进行预测,并将事故响应时间与清除时间预测结果进行汇总得到汇总后的事故总持续时间预测结果,与直接得出的总持续时间预测结果进行对比分析。直接得到的总持续时间预测结果准确率为84.4%,响应时间预测结果准确率为88.5%,清除时间预测结果准确率为87.2%,汇总后的事故持续总时间预测结果准确率为87.85%,较直接得到的预测结果准确率略有提高。本文的创新点包括用两种方法（机器学习和统计学方法）对比分析了特征重要性排序,较传统单一方法得到的重要性排序结果更具有说服力。对事故持续总时间进行预测并将预测结果同事故响应时间与清除时间两部分整合后得到的总时间预测结果做对比,进而判断哪种预测结果更精确,为相关部门在后续处理交通事故时提供准确的时间预测结果。