随着社会的发展,交通设施愈加发达,人们的出行需求也不断提高,但是随之而来的交通安全问题也越来越多。传统的车辆事故预防措施包括被动安全系统与主动安全系统。近年来随着科技的进步,辅助驾驶等新一代的安全系统也慢慢登上了舞台,但是研究表明更加合理的安全系统必然是基于车联网技术与事故预测技术相结合的预防式安全系统,因为车联网技术解决了驾驶员视野受限的问题,使车辆与车辆可在非视距条件下进行通信。车联网技术结合事故预测能实时判断车辆是否处于危险状态,更好地保障乘客安全,减少潜在损失。一方面传统的事故预测往往将经典预测算法运用到一组少量数据上,得到的模型只能预测较小范围的交通事故;另一方面大部分事故预测模型受限于数据特征较少及未考虑到实际应用场景的问题,没有结合地区异质性,事故预测模型的预测精度较差。基于以上问题,本文做了以下研究:1.论文对已有的交通事故数据集进行了初步的数据处理,分别从人、车、道路、环境和其他因素五个方面分析并归纳了交通事故与影响因素之间的关系,证明了地区异质对事故的影响,为交通事故预测做铺垫工作。2.针对传统交通事故预测忽略地区异质性的问题,对原始数据和异质空间数据分别进行预处理和特征选择,分别运用逻辑斯谛回归和随机森林算法,训练得到相应的预测模型。结果表明,结合地区异质性后得到的预测模型相较于原始数据得到的预测模型具有更好的综合性能。3.利用SUMO、VEINS和OMNET++工具搭建车联网仿真平台,并在该环境下设计实现基于机器学习的交通事故预测系统。本系统能实时展示车辆运行界面与车辆通信界面,当分类器判定为危险状态时会对进行示警,避免潜在的交通事故。