随着经济的快速发展,国家的车辆总数、城市道路的数量也随之不断增加,更多的道路交通问题（交通拥堵、交通事故等）也随之而来。城市交通事故的发生会直接影响到发生事故路段的交通状况,导致交通拥堵,甚至造成更为严重的损失。如何通过交通数据来有效地预测道路风险,从而缓解交通拥堵减少交通事故的发生,已经成为现代城市发展中亟待解决的一个热点问题。以往科研人员对交通事故的预测大多是从某一个城市历史交通事故的数据出发,使用不同的模型或者改进的模型对某区域的交通事故进行预测,然而这一类方法的预测仅仅与长期的交通事故发生规律较为一致,并不能实时地对道路事故的发生有一个较好的预测。交通事故的发生跟道路的实时交通情况有很大的关系,随着智能设备的不断发展,车联网群智感知技术以及边缘计算成为了解决该问题的一个热门话题,它们可以实现低延迟高效率地对路面上的车辆数据进行分析。与以往对交通事故预测研究不同的是,本文在边缘计算环境的基础上,结合实时道路交通数据信息和历史交通事故数据信息两个层面共同对城市交通事故风险进行分析和预测。具体创新如下:1.提出了一种新型的基于边缘计算的道路风险评估方法通过群智感知设备对道路车辆信息进行采集,利用边缘计算技术的低延迟和高可靠性对道路车辆数据进行监测并分析出异常车辆信息和异常交通流信息。据此建立风险评估模型对道路交通风险进行评估,然后使用最小风险贝叶斯决策方法进行验证判断。为了验证该方法的有效性和实用性,本文分别在人工路网和真实路网对道路风险进行了实验评估,并建立路径选择对比实验。实验结果显示该方法较传统的路径选择方法在安全性上有很大的提升。2.提出了一种基于边缘计算的城市交通事故风险预测方法在基于边缘计算的道路风险评估模型的基础上,本文又结合历史交通事故数据对城市区域未来一段时间内的交通风险进行了预测,使得预测结果在实时交通流因素的影响下更为真实可靠。首先利用群智感知技术对道路车流信息进行收集,采用边缘计算对道路实时风险进行评估,并结合基于历史交通事故数据的长短期记忆网络预测模型来共同对城市某一区域交通事故的发生频率进行预测,最后通过多种预测模型的对比实验验证该方法的有效性和优越性。实验结果显示本文提出的模型预测结果较其他预测模型准确率更高。