交通事故一直以来都是国家和社会关注的重点问题,如能有效避免交通事故的发生,便可避免部分城市交通拥堵的情况,进而减少城市交通管理的负担。多年以来,预测交通事故成为许多学者富有挑战性的研究,如果能准确预测交通事故的发生,并且根据预测结果对交通事故的发生进行重新规划,那么不仅会提高城市交通效率,也会相应地减少交通事故发生所带来的城市、个人经济等损失,同时保障了人们的人身安全。交通事故的预测是通过对过去路段发生的交通事故进行分析,在考虑其中发生交通事故的相关因素后,进一步对未来路段的交通事故发生状态进行预测。影响交通事故的因素往往存在着复杂性和不确定性,相关因素包括交通流量、天气因素、兴趣点（POI）、道路复杂因素、行人以及驾驶员行为因素等等。现有的大多数研究当中,采用的较多方法是传统机器学习方法或单一深度学习模型预测法,然而传统机器学习方法大多是利用网格化来确定预测空间单位,同时忽略了影响交通事故的相关外部因素,如天气、POI等,忽略了交通大数据存在的零膨胀问题,从而导致预测性能不佳以及准确率较低。针对以上问题,本文通过引入深度学习理论,构建了考虑时空特性下的城市交通事故风险预测模型,融合了实时天气因素、POI以及交通流量相关特征。在模型中使用的是改进的时空图卷积（ISTGCN）网络,主要研究内容包括:第一,对多源异构的交通大数据进行预处理以及相关分析,首先收集到影响交通事故的不同相关数据,包括交通事故数据、交通流量数据、天气数据以及POI数据,其次根据不同数据的时空相关性进行一系列数据的预处理操作,包括缺失值补充、删除冗余值、以及数据的归一化操作等。第二,提出改进时空图卷积的深度学习网络框架,首先利用图卷积网络（GCN）对空间相关属性特征进行提取,并加入标准化归一层（BN）来解决梯度消失及梯度爆炸问题;其次在时间维度上采用门控线性单元（GLU）实现一维卷积操作,并提取时间相关特征;最后将GCN和加入一维卷积的GLU模块组合成时空卷积模块（ST-Conv）,并对时空相关特征进行提取,再输入到融合预测模型当中进行最终的预测,采用均方MSE损失函数来解决交通大数据样本的零膨胀问题。本文ISTGCN模型能有效捕获交通事故的综合时空相关性,首先基于英国真实的城市交通事故数据集对模型进行训练,以事故风险作为模型的输出,进行融合预测;其次将本文模型与现有的单一神经网络模型、传统机器学习模型以及组合预测模型进行对比实验,相对于GLU模型提升28%,对于SDCAE模型提升4.87%,对于Conv LSTM模型提升4.19%,对比实验证明本文模型较经典模型对比来说综合性能较好;最后做了相关变体模型的分析,包含不同模型结构、不同激活函数、不同影响因素特征对模型整体预测性能的影响,依次验证模型的完整性。