快速路是城市道路交通的骨架,承担着大量的城市机动化交通。但随着城市机动车保有量的不断增长,城市快速路交通事故频发,极大影响道路的通行效率且带来了严重的人员和财产的损失。快速路的实时交通流状态是导致事故发生的一个重要因素,通过城市快速路的实时交通流状态来预测是否可能有事故发生,对于提高道路运输系统的安全性,降低事故的发生率,减少因事故带来的人员伤亡和财产损失具有重要的意义。随着智能交通系统的不断发展,实时交通流数据的采集手段不断进步,为城市快速路实时交通事故风险预测的研究提供了技术支持和数据基础。本文基于城市快速路实时交通流数据和事故历史数据,构建了基于特征选择的实时交通事故风险预测模型,以确定潜在的、将要发生的交通事故,为交通管理者保障城市快速路的安全运营提供了理论参考。本文主要工作包括以下几个方面:(1)针对实时交通事故风险预测的问题,设计一套数据预处理的流程,对所获取的事故历史数据和检测器所检测到的交通流数据进行预处理。该流程包括案例组和对照组数据的提取规则,数据清洗以及数据集成等。(2)创新性地提出了 CBFS算法用于特征向量的降维。该方法对特征之间的冗余性以及特征与类别之间的相关性进行定量分析,并在综合考量二者关系的基础上设计特征变量的选择规则,以达到降低特征向量维数的目的。实测数据的验证结果表明:CBFS算法可以有效降低特征向量的维数,减少分类器的计算时间,并且去除冗余特征和不相关特征之后,分类器的分类精度有所提高。(3)选择支持向量机算法作为实时交通事故风险预测的分类算法,并对支持向量机的网格搜索法进行改进。通过实测数据进行验证,结果表明:改进网格搜索法可以大量节约参数寻优时间,提高算法运算效率。(4)将CBFS算法与改进网格搜索法的支持向量机算法相结合,构建基于特征选择的实时交通事故风险预测模型。并以某市的实测数据为例,应用本文所构建的模型、K近邻算法以及BP神经网络算法分别对其进行测试,本文模型测试结果与实际结果相比具有较高的准确率,同时在危险状态的预测准确率上均高于K近邻算法和BP神经网络算法。