随着我国社会经济的高速发展,城市化进程的推进以及道路交通配套设施的逐步完善,我国机动化程度也日益提高。我国机动车保有量在2019年达到了 3.4亿,位居世界第一。但人们在享受出行快捷和便利的同时,也承担着道路交通事故带来的巨大损失。道路交通安全问题也在近年来得到了国家安全战略层面上越来越多的重视。在大数据时代,如何充分挖掘海量事故数据并从中获取有效的信息已经引起了相关部门以及诸多学者的高度关注。同时这也面临着两大重点和难点:一方面,历史事故数据多用于对“事故起数”、“受伤人数”、“死亡人数”和“财产损失”四项指标的描述性统计,其潜在信息未得到充分挖掘;另一方面,历史事故数据的离散性、多维度和模糊性等特征,导致各种应用局限的存在,进而直接影响传统数据分析理论与方、法的应用效果。本论文基于某地区2014年至2018年5年间的1,048,599条事故数据,针对道路交通事故研究的重点和难点,从事故致因分析、事故严重程度预测两个方面,运用关联规则、XGBoost等数据挖掘相关理论与方法,构建道路交通事故分析体系,取得主要研究成果如下:(1)首先本文基于SQL Sever,依据涉事人员数,以及人员伤亡程度将事故分为特大、重大、一般、轻微4个等级。从环境、道路、车辆、人员4个维度,运用可视化手段具体阐述各个维度下各因素对事故严重程度的影响。(2)本文从整个道路交通系统分析着手,基于优化后的关联规则算法揭示各因素间的相关关系,以把握深层次原因和内部机理。在算法实现上,创新性添加下置信度,以避免遗漏具有实际意义,解释性强的规则集。同时通过添加新的约束条件,对计算逻辑进行优化。(3)本文基于XGBoost算法进行事故严重程度的预测,通过科学调参达到较高准确性的预测结果,并且输出各个变量重要程度排序。依据预测结果,文中提出微观层面和宏观层面的建议和措施,为预防事故发生以及降低事故严重程度提供数据支持。