交通是城市及社会发展的基础,是串联所有社会活动的索道。近年来,随着经济社会的快速进步,我国全面推进城市化进程,机动化水平随之提高,由此带来的道路交通需求呈持续增长趋势,机动车保有量也不断上升。但是,交通设施建设和道路安全管控的完善和改进明显滞后于交通需求的发展速度,进而导致我国交通安全压力不断增大、道路交通事故数量居高不下。现如今,道路安全问题已经成为了普遍存在的社会问题,对人们的生命安全具有重大影响,并且还会带来财产损失,对社会及经济的协调发展起到制约作用。因而,如何科学有效地进行道路安全管控已经成为交通安全研究的重点所在。道路交通事故涉及的要素纷繁复杂,具有偶然性、模糊性等特征。但现有研究表明,在偶然性表象背后,交通事故的发生与否及其严重程度实际上会受到人员、车辆、道路、环境等相关要素的影响,且具有一定规律。认识道路交通事故的内在客观发展规律,对于避免部分交通事故的发生、减少交通事故相关人员伤亡、降低道路交通事故的严重程度具有重大现实作用。本文以道路交通事故相关影响因素为研究内容,运用因子分析的方法分析道路交通事故影响因素的重要性排序,探究交通事故的主要影响因素,并运用随机森林算法构建道路交通事故严重程度预测模型,以期为道路交通安全的保障提供建议。研究内容主要包括以下几点:首先,本文选取了18858条我国道路交通事故真实数据,并根据人员、车辆、道路、环境等要素建立因子分析模型,通过因子分析法得出公共因子,再由改进的权重模型计算出各影响因素的重要性程度。研究发现,年龄分类、天气、人员类型、路表情况、户口性质、路侧防护设施类型和道路物理隔离是我国道路交通事故中最为显著的影响因素;而第三者责任保险、路面状况、路口路段类型、路面结构、在道路横断面位置和驾驶证种类对道路交通事故严重程度的影响最不显著。其次,本文根据因子分析过程中提取的公共因子及由改进的权重模型计算所得的各影响因素在其所属的公共因子上的权重值,将原始数据中包含的33个特征转换为12个公共因子,建立了公共因子数据集,并运用随机森林算法构建了一种基于FA-RF的道路交通事故严重程度预测模型。最后,本文运用所构建的基于FA-RF的道路交通事故严重程度预测模型分别对二分类事故和三分类事故进行预测,并与随机森林单一模型做出比较。根据模型结果,在二分类事故预测中,随机森林单一模型的准确率为94.22%,基于FA-RF的融合模型的准确率为96.29%,提高了2.07%;在三分类事故预测中,随机森林单一模型的准确率为67.60%,基于FA-RF的融合模型的准确率为75.87%,提高了8.27%,即不论是二分类事故预测还是三分类事故预测,基于FA-RF的融合模型的预测效果均优于随机森林单一模型,验证了基于FA-RF的融合模型的可行性。通过综合比较二分类事故预测和三分类事故预测的分类结果,本文还发现,基于FA-RF的融合模型在三分类问题中模型准确率较二分类问题中大幅下降的主要原因在于,模型对于伤人事故和死亡事故存在较大程度的误判,也就是说,现行的我国道路交通事故信息采集仍存在不足,应统计更多与人员伤亡相关的影响因素。