我国高速公路里程规模迅速扩张的同时,高速公路交通事故频发,高速公路交通安全问题是历年交通运输管理工作的重难点。随着海量交通信息数据的获取成为可能,越来越多研究者关注基于短时交通流的高速公路实时事故风险的研究。但在高速公路交通事故风险的相关研究中,研究者少有考虑不同时间条件下交通流动态变化特征与交通事故风险之间的关系,忽略了时间因素（工作日和休息日）对高速公路事故征兆因子识别、实时事故风险预测的影响,难以对不同时间条件下高速公路的安全管理工作提供精确指导。基于此,本论文采用高速公路交通事故数据及与之匹配的高精度交通流数据,研究了工作日和休息日交通事故发生前交通流动态变化特性与交通事故风险间的关系,探索工作日、休息日及不同交通流状态下高速公路交通事故征兆因子的异质性,并构建工作日、休息日及饱和、非饱和交通流状态下的高速公路实时交通事故风险预测模型。本文主要研究内容如下:（1）高速公路交通事故数据与交通流数据预处理及交通事故特征分析按照高速公路实时交通事故风险分析与预测对数据的要求,选择高速公路交通事故数据和交通流数据,基于配对病例-对照法对样本数据进行选取并进行匹配,得到本文研究所用数据。根据交通流特征将研究时间划分为工作日和休息日,基于六级服务水平将交通流划分为非饱和交通流状态与饱和交通流状态,对不同时间和不同交通流状态下的交通事故分布特征进行统计分析。（2）基于随机森林算法的不同时间条件下高速公路事故征兆交通流变量识别参考既有相关研究的交通流变量选取,本文选取流量速度占有率的平均值、标准差等多个交通流待选变量,对数据进行归一化处理。随后基于随机森林算法评估变量重要度,选取重要度较高的交通流变量作为事故征兆交通流变量。对不同时间和不同交通流状态下的事故征兆交通流变量进行分析,结果表明不同时间和不同交通流状态下的事故征兆交通流变量有明显差异,其事故发生机理不同。（3）基于支持向量机的不同时间条件下高速公路实时事故风险预测模型构建对工作日、休息日及不同交通流状态下的数据集分别构建实时事故风险预测模型,应用ROC曲线和AUC值对事故风险预测模型的预测精度进行评估,结果表明构建的事故风险预测模型具备一定的预测精度,能够应用于高速公路实时交通事故风险的预测。然后与不区分时间和交通流状态的所有事故构建的整体模型进行对比,结果表明本文构建模型的预测精度更高。最后为了验证本文基于随机森林算法对重要交通流变量进行筛选的合理性,利用未经过筛选的交通流变量建立模型,与本文模型进行对比,结果表明本文模型的性能更优,证实了其合理性。