随着我国成为世界第二大经济体，在道路交通基础设施日益完善、汽车保有量及驾驶人数量持续增长的背景下，道路交通事故发生起数在进入新世纪以来虽趋于平稳，但事故严重程度却今非昔比，预计在不远的将来，道路交通事故将成为全球第三大死亡致因。道路交通安全问题受到了社会各界的广泛关注和重视，如何有效预防道路交通事故已成为相关专家学者研究的一个关键性问题。　　本研究主要内容包括：⑴研究了交通流的时空相关性，利用Pearson相关系数来量化分析，采用距离度量交通流相似性，结合对实测交通流数据的分析研究，提出最相关交通流与当前时刻交通流相隔不能超出3个时间间隔、最相关路段的选取一定要在5个路段间隔以内，并将交通流时空特性用于数据的预处理，在实证研究中验证了该思路的有效性。⑵短时交通流预测是实现事故实时预测的一个重要环节。在对交通流预测问题及典型预测模型进行分析的基础上，引入双重变异算子改进PSO，进一步优化神经网络预测模型，在10min预测上，该预测模型的RMSE仅有2.17，且速度较快，很好地满足了短时交通流预测的实时性、准确性、可靠性的要求。⑶对道路交通事故实时预测原理及过程进行梳理，划分交通状态为正常、危险，将事故预测转化为分类问题，选用 Parzen窗非参数估计方法对不同时间尺度下候选交通流特征的概率密度函数进行估计，并基于概率分布的可分性判据选择合适的特征变量及时间尺度，构建了Adaboost事故预测器，并结合未来的短时交通流实时预测事故，在实证研究中取得了良好效果。