由于近年来高速公路里程与交通量的迅速增长,交通事故明显增加,给人民的生命财产造成了严重危害。因此,对交通事故进行深入分析,预测交通事故的发展趋势,对于道路交通安全评价、规划以及决策具有重要意义。基于此目的,本文提出了基于分位数回归的高速公路交通事故预测方法。由于国内在交通安全方面的研究起步较晚,在交通事故预测方法的研究上,特别是在回归模型方法上,无论是研究对象的深度和广度都与国外存在一定的差距,有待于进一步深化研究。本文首先,对交通事故数据常见特征(偏大离差、偏小离差、低样本均值和小样本量)以及可能存在的问题(未记录、时变性变量、内生变量、遗漏变量)进行分析和考虑,结合回归模型法、神经网络法、时间序列法、灰色预测法的基本原理以及优缺点,确定了本文对比的事故预测方法。然后,从道路环境因素角度,详细调研了道路线形(平面线形、纵断面线形和平纵线形组合)、特殊路段(桥梁、隧道)和交通环境(交通量、交通组成、车速)对交通安全的影响,以此确定本文事故预测时的变量。最后,将普通分位数回归扩展到事故数据的应用上,用分位数回归的两个指标(边际效应和灵敏度)解释变量,并基于分位数回归的一系列参数估计,提出了本文交通事故的预测方法：历史数据法和概率法,与负二项回归法进行对比。实际案例证明了分位数回归在交通事故预测上的优越性。在分析过程中,分位数回归给出了任意分位点下的参数估计、边际效应和灵敏度,相比负二项回归的一组估计更加全面；在事故预测上,历史数据法准确度高达74%,均方根误差为0.618。基于分位数回归的两种预测方法在准确度和误差上都要优于负二项回归模型。