传统的交通安全评估方法主要是以交通事故为指标。但是以交通事故作为指标的评估模型存在样本少且数据采集滞后的问题,统计数据存在大量误统漏报和数据统计分析的不真实、不准确。因此,交通冲突作为新的交通安全评估指标,具有样本量大、数据即时的优点,逐渐取代交通事故成为交通安全评价核心内容。本文以交通冲突为指标,采用视频识别方法采集了南京市仙林东南某区域的交通冲突数据,并建立全新的加入交互变量的MLE-NBR预测模型。具体工作内容如下:(1)对城市交通冲突产生原因、冲突类型、发生地点等进行研究分析,对比不同交通环境下交通冲突的特性,并系统分析交通冲突的产生因素,用五种分类方法对交通冲突进行分类。总结现有研究中交通冲突的三种判定方法:空间距离法、时间距离法以及碰撞能量法,选定TTC时间距离作为本文交通冲突判定指标;(2)介绍现有冲突数据采集的方法,分析了传统人工观测及微观仿真的劣势,介绍视频识别冲突数据提取方法,构建交通冲突计算机视频识别系统框架,及视频识别具体操作步骤:图像坐标转换—背景生成—运动目标检测与跟踪—运动目标轨迹预设—交通冲突判定与提取,并通过Python中的PIL和pytesseract库以及OCR图像识别接口编写图像识别程序代码;(3)选取南京市指定区域(文苑路、仙林大道、仙隐北路、仙境路所围区域)所有路段进行数据采集,根据航拍及摄像视频,共采集并选取样本324个。统计交通量及交通冲突产生数,系统分析数据特征,甄别冲突原因和冲突类型;(4)选定泊松模型为基础模型,并对其进行推广,建立加入交互变量的MLE-NBR冲突预测模型,选取冲突次数作为输出变量,选取部分影响冲突发生的参数作为解释变量,以南京市仙林东南区域为实例代入模型进行拟合,分析发现直行交通量、车流速度及交互变量对模型的影响更为显著。当直行交通量、车流速度、交互变量三项参数各自独立提升1%时,模型结果即冲突频次分别增加0.78%、0.65%和0.56%。通过计算得出,传统泊松模型预测结果平均误差为31.50%,MLE-NBR模型预测结果平均误差为22.15%。精度提高了约30%。