交通事故发生多与人因相关。为了提升道路交通安全,面向驾驶者的源头治理成为当前交通管理的难题之一。一方面,我国的道路环境和驾驶者习惯与西方国家差异很大,因此不能照搬国外成果结论。另一方面,目前驾驶者风险建模研究大多基于传统历史事故数据,风险特征相对单一,限制了对事故风险机理的认知与高危驾驶者的精准识别。基于以上背景,本文面向城市中的三种主要交通方式（小汽车、货车、电动自行车）,充分利用多源物联数据扩充风险特征维度,引入成套机器学习模型判别高危驾驶者,并对不同风险特征的影响展开研究和讨论。具体研究内容如下:基于多源数据融合的风险特征提取方面,首先以驾驶员为研究核心,通过交通事故数据和交通违法数据的匹配纵向扩充研究样本量并提取出与驾驶员交通事故相关的人、车、路、环境、违法特征;其次,基于ALPR号牌数据,采用基于最短路的路径重构方法提取驾驶员日常行驶暴露特征变量,并通过数据关联匹配横向扩充研究样本的特征变量。通过融合传统交通静态历史数据和新型交通断面数据,提取出了城市多方式交通事故相关影响因素,为高危驾驶员风险建模提供了数据基础。城市道路交通事故风险判别模型研究方面,将围绕驾驶员进行风险建模分析。考虑到有责事故驾驶员的高危性,研究将发生过有责事故的驾驶员定义为高风险驾驶员,其他未发生事故的驾驶员定义为非高风险驾驶员。基于人、车、路、环境、违法等多因素,采用并比选了多种样本平衡技术以及集成机器学习模型,分别对小汽车、货车以及电动自行车驾驶员进行风险建模。根据模型拟合结果发现,Balanced Bagging重采样技术能更好的提升数据质量,并提高模型的判别精确度;GBDT模型能够更好的拟合多方面安全特征与驾驶员事故风险性之间的非线性关系。风险特征影响研究和讨论方面,基于不同出行方式高危驾驶员最佳分类模型,采用特征重要度分析法和PDP方法分别从特征对模型的重要性以及特征对驾驶员事故风险性的影响两个角度进行解释,深入分析讨论不同出行方式驾驶员的风险特征。本研究的最终成果能够为交警部门深入认知城市不同交通方式的驾驶行为风险差异提供理论支撑,并为交通安全治理防控提供有效依据,改善城市道路交通安全水平。