为了研究人车碰撞事故中影响行人伤亡的因素，提出了基于聚类方法与BP神经网络的行人碰撞后伤亡风险预测模型。首先，以国家车辆事故深度调查体系（NAIS）数据库内2018—2019年间的372起人车碰撞事故数据为研究对象，对其进行统计分析，得到关于车辆、行人和碰撞状态3个维度的9项事故特征参数；然后，结合各事故特征特性，对连续特征值选用K均值聚类方法，对离散特征值选用层次聚类法，分析行人的伤亡风险与各特征参数间的关联性；最后，建立BP神经网络预测模型，根据事故特征预测行人伤亡情况。结果表明建立的行人伤亡风险预测模型的成功率为86%。

为了研究大型车换道行为特性及其风险状况，基于无人机拍摄与图像识别技术，采集快速路合流区大型车运动轨迹数据，并对其换道特性和时空风险进行分析。结果表明：大型车换道持续时间的平均值为5.28s，前半时间平均值为2.60s，后半时间平均值为2.68s，纵向换道行驶距离平均值为78.12m，均服从Weibull分布，且均与换道速度显著相关，大型车换道持续时间及前半时间均和与原车道前车间距、与目标车道前车间距显著相关，前半时间还与沿车道线距离显著相关；75.40%的大型车在合流区瓶颈路段前100m内开始变道，且由外侧车道向内侧车道依次扩散；大型车与原车道前车的车间距和相对速度平均值最小，分别为22.91m、-0.90m/s，若换道间隙较小，驾驶员更倾向于在换道间隙缩小缓慢或不断扩大时换道；大型车换道时与原车道前车的碰撞风险最高，约有15.32%大型车换道时与前车处于不安全状态。

为丰富地铁内部换乘客流预测理论，更好地制定地铁运营计划，提出了一种基于时间序列分解方法（STL）与门控循环单元（GRU）的地铁换乘客流预测模型。该模型将预测过程分为3个阶段，第1阶段为原始地铁刷卡数据预处理，采用基于图的深度优先搜索算法识别乘客的出行路径，构建换乘客流时间序列；第2阶段运用STL时间序列分解算法将换乘客流时间序列转化为趋势量、周期量以及余量，并利用3σ原则对余量进行异常值的剔除与填充；第3阶段基于深度学习库Keras，完成GRU模型的搭建、训练及预测。以北京地铁西直门站的换乘客流数据为研究对象，对模型的有效性进行了验证，结果表明：与长短时记忆神经网络（LSTM）、门控循环单元、STL时间序列分解方法与长短时记忆神经网络组合模型（STL-LSTM）相比，STL-GRU组合预测模型可提升工作日（不含周五）、周五、休息日的换乘客流预测精度，预测结果的平均绝对百分比误差至少分别降低了2.3、1.36、6.42个百分点。