随着我国经济和科技的不断发展,我国正在从车辆大国发展为车辆强国,随之而来的车辆安全风险也越来越受到重视。引起车辆安全风险的原因具有复杂性和时效性,很难从单个方面确定车辆安全风险的成因,比如从驾驶员行为、车辆运行状态以及道路状态等因素判断车辆是否存在闯红灯的安全风险。因此,对车辆安全风险发展趋势的推理预警成为了一个重要的研究课题。传统数据结构建模很难考虑到安全风险成因的时效性和复杂性。知识图谱作为一种记录事实的大规模图数据库,它可以建模历史安全风险中的因素属性,推理风险的发展规律,对可能发生的安全风险进行预警。为此,本文对车辆安全风险领域进行深入剖析研究,根据领域相关特性设计知识图谱模式图,从车辆事故安全报告中获得结构化数据和非结构化数据,利用半自动化方法获得知识图谱数据图,最终根据模式图构建了车辆安全风险领域知识图谱。在风险预测模型的设计上,本文考虑了车辆安全风险的时效性和复杂性,提出了两种知识图谱表示学习模型来解决这些问题。对于安全风险的时效性,考虑到现实世界中大量风险随时间推移而演化,风险之间存在着时序关系,我们将张量分解扩展到第四维,在静态知识图谱中引入时间维度,更好地完善了知识图谱语义信息,提出了基于张量分解的时序知识图谱链接预测模型。对于安全风险的复杂性,考虑到现实世界中一个风险可能涉及多个因素,传统知识图谱利用三元组对这类风险进行建模,需要将一个涉及多元组的事实拆分为多个三元组,虽然简化了数据表达方式,但必然会损失大量语义知识,而直接将传统三元组链接预测模型推广到多元组链接预测上,又会造成参数量激增的情况。本文提出了一种基于张量分解的多元组知识图谱表示学习方法,让模型在同一个数量级参数量的基础上保留多元组语义知识,提高了车辆安全风险知识图谱链接预测的正确率。最后,本文基于构建的车辆安全风险知识图谱,将算法模型应用到系统上,设计实现了车载安全风险预警系统,通过对安全风险因素的分析,对可能发生的车辆安全风险进行预警展示。综上所述,本文以知识图谱为基础,对车载安全风险预警方法进行了深入研究,构建了车辆安全风险领域知识图谱,针对安全风险特点提出了相关算法,同时具备了在真实场景中的应用能力。