随着经济的不断发展,汽车保有量迅速增加,道路交通事故频发导致极大的生命财产损失。道路交叉口作为交通节点,是道路交通事故的集中发生地。本文以美国NHTSA的NASS/GES系统中记录的道路事故数据为研究对象,选取交叉口场景下的事故数据集,基于广义回归神经网络建立交叉口事故损伤严重性的预测模型和基于K-means聚类损伤严重性分类模型,在此基础上,探究导致交叉口损伤严重程度的显著因素,为无人驾驶车辆的安全驾驶决策和道路规划与管理提供理论支撑和参考。主要工作如下:(1)根据交通事故原因及不同影响因素的分类分析,探讨交叉口道路交通事故损伤严重性的机理。利用美国高速公路管理局(NHTSA)的NASS/GES事故数据库中2014-2015年的交叉口事故数据,选取车、路、环境等非人为因素作为损伤严重性预测指标,将生命财产安全作为损伤严重性的评估指标,利用广义回归神经网络(GRNN)和反馈神经网络(BPNN)两种神经网络算法模型建立事故损伤严重性预测模型,并对模型的预测精度进行比较,结果表明广义回归神经网络有更好的预测精度。(2)为了进一步研究交叉口交通事故损伤严重性的分类水平,寻找导致损伤严重程度差异的显著影响因素,本文利用主成份分析法(PCA),将车辆特征、道路特征和环境特征等变量进行筛选降维,通过特征值和累计贡献率结合获取得到重要指标因素,然后建立K-means聚类模型进一步分析不同损伤级别下的影响因素组成,并对K-means聚类进行有效性检验,充分将事故数据中事故损伤严重程度与影响因素的规律挖掘。不同的交叉口类型、交叉口的信号控制对交通事故损伤严重程度影响不同,车辆的相对车速和不同碰撞车辆类型都对事故损伤严重性存在着较大的影响,而道路的曲率、道路坡度和环境天气条件对事故损伤严重性影响程度较小。(3)针对不同的影响因素对事故损伤严重性造成的差异性,通过不同的影响因素指标对事故损伤严重性的变化进行研究分析。首先在神经网络模型的基础上,对选取的指标因素进行灵敏度分析,确定各个影响因素的灵敏度分析值,按照对交通事故损伤严重性的影响程度由大到小排序为:碰撞车辆类型、相对速度、交叉口信号控制、交叉口类型、道路线性、道路坡度、天气条件、道路条件、碰撞时间、碰撞发生日期。以交叉口特征、交叉口的信号控制、车辆的相对车速和碰撞车辆类型作为交叉口事故损伤严重性评估的显著因素,分别建立不同损伤级别的敏感性分析模型,在各个变量类别值的改变下对损伤严重程度的影响来分析影响因素与事故损伤严重程度的关系,为交通事故预防和建立紧急工况下的合理决策提供依据。