随着道路交通系统的快速发展,我国居民的日常出行日益便捷,同时道路交通事故发生率也在快速增长。交通事故的频繁发生不仅威胁了居民的生命财产安全,而且严重影响了经济的稳定发展与国家的和谐安定,我国亟须对道路交通安全问题投入更多的关注和研究,以便进一步推动交通系统的健全发展。道路风险评估技术根据事故特征对交通事故的严重程度进行预测,帮助发现引发道路交通事故的显著影响因素和事故发生的潜在规律,达到预防交通事故的发生、提高道路出行安全的目的。传统的道路风险评估方法的研究大多基于传统的机器学习的技术,采用人工进行特征选择,成本高,不利于处理数据量较大的任务。而基于深度学习的道路风险评估方法可以通过神经网络自动获取数据中有价值的信息,实现对道路交通事故风险的评估,而且可以处理大数据量的任务。本文基于深度学习相关理论提出了注意力机制与卷积神经网络相结合的模型,并将其应用于道路交通事故严重程度的评估中,实验证明了该模型具有良好的性能。本文的主要研究工作和创新点如下:(1)传统的道路风险研究常采用某一路段或某一局部区域的交通事故数据作为研究对象,具有一定的局限性,而本文采用的UK car accidents和US accidents数据集具有事故覆盖范围广、事故特征繁杂、数据量大的特点,在此基础上开展相关研究更具有说服力。(2)根据真实的道路交通事故数据集对事故发生的相关因素进行统计分析,探究道路交通事故发生的潜在规律,并分别对人、车辆、道路情况、环境情况与道路交通事故的关系展开论述,为道路交通事故严重程度预测模型的建立提供支撑。(3)提出自注意力机制与卷积神经网络相结合的模型,利用自注意力机制对道路交通事故关键特征的识别能力实现特征选择,提高了模型的准确率。设计参数优化实验确定模型的参数设置,同时,为了验证模型的有效性进行了对照实验,实验结果表明,本模型的性能优于对照实验组。(4)在自注意力机制的研究基础之上,进一步提出了多头注意力机制与卷积神经网络相结合的模型。多头注意力机制能够关注到更多的关键特征,从而使模型的准确率得到进一步的提升。设计实验分析两种模型的优劣,并对两种注意力机制关注到的特征进行分析,最终得出在本文的实验环境下,道路环境因素以及车辆因素会对道路交通事故产生较大影响的结论。