施工区往往是高速公路安全运行的薄弱位置，由于车流在瓶颈位置的突变，施工区交通事故发生的可能性和事故后果的严重性远高于一般路段。过去由于施工区交通流数据难以获取，基于施工区交通数据的安全风险研究欠缺；近年来，随着ITS技术和智能网联技术的快速发展，如何利用现代车流检测数据实现高速公路事故风险实时预测成为了当前交通安全研究的热点问题。本文基于机器学习方法，利用施工区历史交通流检测数据和事故数据，构建高速公路施工区事故风险实时预测模型，作为事故风险预警的依据，保障施工区运行安全。
　　在结合施工区安全管理研究和施工区现状调研的基础上，本文综述了我国高速公路施工区安全管理规定和施工区安全设施布置要求，并分析上海市高速公路施工区交通事故状况，发现施工区交通流状态对施工区安全风险有重要影响。
　　其次，由于国内数据难以获取，本文对美国加利福尼亚州2016年全年的高速公路施工区数据、交通流数据和事故数据进行筛选匹配，在划分施工区影响范围和交通流数据研究范围的基础上，构建得到了施工区事故的交通流参数时空矩阵。
　　再次，采用病例对照研究方法，将选取的事故组和对照组数据进行白化处理后，分别使用二元Logistics回归和CNN卷积神经网络方法训练构建事故风险预测模型。
　　经过模型对比，发现CNN卷积神经网络模型具有更好的预测效果，而二元Logistics回归模型能提取交通流状态中的关键特征。同时，数据白化预处理方法对交通流特征的描述有重要影响，并会进一步影响事故风险预测准确率。
　　研究提出了施工区交通流数据的提取与匹配方法，可作为施工区交通流研究的参考依据；建立的事故风险模型可应用于施工区实时安全风险预警。