交叉口是城市交通参与者中车辆与行人汇集与疏散的重要必经之地,也是城市交通冲突的集中点。但随着城市机动车保有量的不断上升,城市交通事故频发,交叉口成为了城市交通安全的重大隐患,极大程度地影响了城市道路通行效率及出行者的人身安全。交叉口因其不同的类型,使得发生在不同交叉口的事故的特征有所不同。而通过交叉口的各种因素变量来预测事故发生的风险,对降低事故率,提高交叉口安全性和通行效率具有重要意义。本文基于英国STATS19城市交通事故数据库,综合人为因素、车辆因素、道路因素、环境因素通过联合采样和分类算法构建了交叉口机动车碰撞事故风险预测模型,为交通管理者保障交通安全提供了理论参考。首先,本文基于研究数据集通过构建的数据预处理与特征工程流程,对数据进行预处理和特征变量降维,从而提升数据质量,使其生成更为精准的模型。其次,基于传统XGBoost分类算法,考虑此算法在不平衡数据集上的局限性,探索了各类预采样方法与XGBoost相结合的分类模型在不平衡数据集上的表现,将模型表现最优的联合采样SMOTEENN法与XGBoost相结合构建了事故分类预测模型,并通过对模型超参数的不断调优,得到了最优参数下的分类预测模型,最终通过构建风险矩阵将最优事故分类预测模型转化为了事故风险预测模型。接着,基于传统SVM分类算法,考虑此算法在不平衡数据集上的适用性,提出了加权类别的SVM算法,并通过交叉验证的网格搜索法对模型参数进行了调优,从而构建出最优的碰撞事故分类预测模型,并将此分类预测模型通过风险矩阵转化为了事故风险预测模型。最后,利用不平衡数据集下模型的评估指标对两类预测模型进行了评估,得到结论:基于加权类别的SVM事故风险预测模型在事故分类预测和风险等级预测方面有更高准确率,且能更精准的预测严重型高风险事故。