近年来,随着人们生活水平的提高,全国汽车保有量逐年上升,给人们出行带来了极大的便利,同时也增加了交通事故风险,对人们的生命安全造成了巨大的威胁。本文将融合多源时空数据预测城市交通事故风险。在实际应用中,如果能提前准确地预测城市区域的交通事故风险,对政府而言可以制定更好的交通规划和管理措施,对个人而言则可以选择更安全的道路或时间出行。交通事故风险预测是一个非常有挑战性的工作,其主要存在以下三个方面的难点:（1）影响因素复杂。交通事故的发生通常会受到多源时空因素的影响,例如POI、天气、道路状况等;（2）交通事故存在多尺度的时空相关性。交通事故数据存在地理时空相关性和语义时空相关性;（3）零膨胀问题。交通事故属于小概率事件,导致所采集的数据中存在大量事故风险值为零的样本。现有的工作无法同时解决以上三个问题,对此本文融合交通事故历史数据和其他来源的时空数据,对交通事故风险预测进行研究。首先,本文提出了融合局部和全局时空特征的交通事故风险预测模型STRisk Net,从局部时空相关性和全局时空相关性对交通事故风险进行建模。该模型由三个模块组成,分别是局部区域时空相关性模块、全局区域时空相关性模块和融合预测模块。在局部区域时空相关性模块中,构建时空网格数据,利用卷积神经网络来捕获局部区域上的空间相关性,同时使用门控循环单元和注意力机制对交通事故的时间相关性进行建模。在全局区域时空相关性模块中,构建道路相似性图,然后使用图卷积神经网络同时捕获结点在空间和时间上的相关性。融合预测模块将以上两个模块输出的特征进行融合,得到最终的预测结果。为了解决零膨胀问题,提出一种加权损失函数,在计算损失时根据样本事故风险等级的不同为样本赋予不同的权重。其次,对时空相关性建模进行了进一步探索,对ST-Risk Net模型进行了完善。具体来说,从地理维度来描述城市区域间的局部时空相关性,同时从语义维度来描述城市区域间的全局时空相关性,提出了融合地理和语义时空特征的交通事故风险预测模型GSNet。该模型由三个模块组成,分别是地理时空相关性模块、语义时空相关性模块和融合预测模块。与ST-Risk Net不同的是,在语义时空相关性模块,引入事故风险和POI相似性图,从不同的语义层面来描述区域间的相似性。然后使用图卷积神经网络建模结点间的空间相关性,并使用门控循环单元和注意力机制对交通事故的时间相关性进行显式建模,从而进一步提升预测准确性。最后,本文在两个真实的交通事故数据集上开展了大量实验。实验结果表明,本文提出的ST-Risk Net和GSNet较现有的基线模型效果均有显著的提升,能够有效地对交通事故中存在多尺度时空相关性进行建模,而GSNet模型由于从地理和语义的角度对时空相关性进行了更深入的建模,因此取得了更优的预测效果。