随着车联网数据系统的建设和车机运算能力的提高,以及即将到来的智能车的普及,收集高频汽车驾驶数据变成了可能,越来越多的研究开始分析城市交通数据的规律。对危险驾驶行为导致的交通事故的防控和预警一直是城市交通数据分析的一个重要方向,许多学者对驾驶数据和司机发生交通事故可能性之间的关联进行了深入研究。通过分析高频的驾驶数据可以用于更好地分析驾驶者的日常驾驶习惯,从而对汽车驾驶员的危险驾驶行为进行预警。并可以在用户知情的情况下向用户反馈驾驶报告,使高风险驾驶者意识到自身驾驶行为的危险性,并进行改善,从根本上减少发生交通事故的风险,做到安全驾驶。当前对于驾驶数据和交通事故之间联系的研究大多将视角集中在单个司机的驾驶行为习惯,人工挖掘司机的驾驶特征,例如平均速度、驾驶频率等,较少应用深度学习模型和从更宏观的视角研究问题,例如轨迹的地域分布对发生交通事故概率的影响,故而存在以下问题:1、在城市交通数据分析领域,基于更高视角的深度学习模型较多地被使用在区域车流量预测、人流量预测等一些规模更大的问题上,目前也有学者将司机驾驶行为的分类放在驾驶轨迹地域分布等更宏观的视角进行分析,尝试将卷积神经网络等深度学习模型应用到轨迹分布图中,但是未在此进行更深入的挖掘。2、已有的研究对如何将多视角模型融合使得模型拥有更好预测效果上没有进一步地探索。3、样本不平衡也是模型预测交通事故的概率中普遍存在的问题,实际生活中正常车辆的数据远多于发生过严重交通事故的车辆,已有文献较少关注这个问题。为了解决上述问题,本文提出了以下的方法:1、本文设计了从多个视角切入的模型预测车辆发生交通事故的概率:轨迹分布模型、速度加速度模型和用于衡量司机驾驶时空分布的人工特征分类模型;2、对于轨迹分布模型,本文着重通过特征融合、密度自适应卷积核等方法改进卷积神经网络识别汽车轨迹分布图的准确度;3、设计co-Boost机制,即协同训练结合Boost集成方法综合三个模型的预测结果,并对碰撞车辆进行特别关注。通过对数据的探索性分析发现,正常车辆和发生交通事故的车辆（下文称“碰撞车辆”）在驾驶里程、行程数、驾驶时间分布、平均速度、平均加速度等等特征上存在明显差异,因此模型需要包含轨迹分布、速度加速度、驾驶时间分布这三方面的特征,并需要对其进行有效融合。在实验过程中我们发现,不同大小的卷积核可以从车辆轨迹分布图中提取到不同层次的信息,因此需要针对输入调整卷积核的一些参数。轨迹图分布具有不均匀的特点,例如在上海市区的轨迹点分布密集程度远远高于上海市郊区,郊区轨迹点则集中在几条主要交通干道上,单位格子跨度较大的轨迹图难以体现一些细节的分布差距,故而需要针对不同区域取不同精度的轨迹图,实验分析发现将上海市区轨迹图与全局轨迹图的卷积特征简单拼接融合可以获得效果上的提升。对于速度加速度分类器,本文采取绘制速度加速度热图（v-a heatmap）的方法,用卷积神经网络提取信息,作为轨迹分布模型的补充。对于三个部分模型的整合本文采用协同训练和集成Boost学习的方法,用协同训练的方法对三个模型进行训练,并对每一轮每个分类器的训练结果采用类Boost方法进行加权集成,并根据每一轮的结果对权重进行迭代,最后将得到的结果集成输出,充分利用和发挥多视角下模型各自的优势。实验结果表明,深度学习模型效果优于机器学习模型;多角度融合后的模型效果优于单独视角的模型;经过协同训练的模型效果优于单独训练的模型;在轨迹数据上密度自适应卷积核的效果好于普通卷积核;Boost集成方法可以给模型效果带来显著提升,说明了多个视角的模型可以优势互补,多视角建模与集成可以有效区分正常车辆与碰撞车辆的样本。本文探索了密度自适应卷积核在提取轨迹分布特征中的应用,使得卷积神经网络模型能够根据输入数据的变化自适应调整参数,并将其用于可以区分正常车辆与碰撞车辆的多视角模型,设计了基于协同训练结合Boost集成方法的co-Boost机制,对多视角模型进行更好融合,提升了模型在实际条件下的应用效果。