二十一世纪以来，伴随着科技的飞速发展，我国的国民经济也取得了长足的进步，与此同时，人民对交通的需求不断增加，城市车辆也随之急剧增加。车辆的迅速增长不可避免地会带来严重的交通事故频发问题。交通事故发生之后所导致的后续问题，如道路瘫痪和交通拥堵等问题，会加重事故对社会和个人的损失。因此，交通管制部门希望能够针对已经发生的交通事故做出合理的对策，减少事故发生所带来的后续损失。但是由于缺乏对事故的可靠的、科学的分析，交管部门难以做出针对事故的合理对策。交通事故持续时间是事故的重要信息之一，如果能预测出事故的持续时间范围，交管部门将能以此为基础对事故现场作出合理的警力部署和道路疏通工作；市民也能够以此为基础规划自己的出行线路。因此，对事故持续时间的预测得到了越来越多的关注。　　道路交通事故包含很多信息，事故的持续时间也受到多种参数的影响，并且影响事故持续时间的影响因子之间关系复杂并且不确定。这给原始数据的选择和持续时间的致因分析带来了困扰。而现在的研究方法不能同时实现持续时间的预测和影响因子的分析。同时实现这两个目标是本课题的主要研究内容。　　本文提出贝叶斯网络-SVM组合模型对影响因子进行分析，并预测事故的持续时间范围。根据交通事故原始数据属性参数多的特点，选用贝叶斯网络模型对原始数据进行分析和处理，通过分析贝叶斯网络模型结构，得到交通事故影响因子之间的依赖关系，并剔除掉原始数据中的无用属性参数，简化数据。利用优化后的数据，选择支持向量机（SVM）对事故持续时间范围进行预测。对于支持向量机的参数，本文选择了网格搜索（GridSearch,GS）、遗传算法（GeneticAlgorithm,GA）、粒子群优化方法（ParticleSwarmOptimization,PSO）对支持向量机的参数进行优化，并根据结果对比分析了这三种参数寻优方法的优缺点。将贝叶斯网络-SVM组合模型与传统的SVM的预测结果进行对比分析，验证了前者在预测速度上的优势，并且能够保证预测精度相较于SVM算法不会下降。