现如今,高速公路运行产生的数据规模大、种类繁多,当进行高速公路安全风险分析时,传统的方法容易受到分析人员的主观限制,也受到经验或知识的局限性,使得无法准确地对交通风险进行预测,并且传统归因理论模型无法同时处理与分析多元异构数据。而基于大数据驱动的数据仓库与数据挖掘技术,可以将不同范围、区域的运行数据统一分析,挖掘时空分布特征,提高交通数据资源的科学利用效率,提高面向交通安全与预警的信息服务水平。本文以我国道路交通事故信息采集数据的特点和数据分析应用的关键问题为切入点,通过多角度全方位的分析来减少道路交通事故的发生。从道路的风险等级划分、预测和成因等方面进行详细探讨,并且运用分类、回归、关联规则挖掘和可视化分析等大数据分析相关理论与方法,对上述三个方面进行了详细的研究:(1)在基于湖南省高速公路事故数据、基础地理信息数据、湖南省道路几何数据的基础上,提出了以故障数据的识别修复、交通数据的转化和交通数据匹配补全为重点的交通数据预处理方法。针对高速公路运行特征大数据维数多、规模大的问题,提出事故特征提取方法,筛选特征大数据中的冗余属性,获取与事故相关的特征参数(2)针对高速公路的总体事故情况进行统计分析,并特别针对桥梁、隧道、出入口、服务区、港湾等高速公路典型路段,研究事故发生前后上下游相邻路段的事故时空分布特征,筛选用于定义危险交通状态的事故特征参数,确定不同的安全状态。(3)搭建高速公路大数据分析和可视化平台,通过可视化平台直观展示湖南省事故发生情况,并基于不同交通安全状态针对高速公路利用决策树构建事故的风险因素分析。结合数据不平衡技术SMOTE+ENN与机器学习算法,包括决策树、随机森林和广义回归神经网络算法,搭建了 SMOTE+ENN-RF和SMOTE+ENN-DT-GRNN和的事故风险诊断模型,定量评估道路因素、天气情况、时间、异常驾驶行为等对事故风险的影响,并对模型预测精度进行检验。