高速公路交通事故每年大约导致了一百多万人死亡。关于高速公路最大的挑战是如何减少高速公路交通事故的发生，提高道路安全水平。构建高速公路交通事故预测模型可以发现事故发生的内在机理，为高速公路交通事故预防提供举措。　　交通事故的发生是一个复杂的过程。数据采集的过程中，不可控的时间和无法观察到的环境变化都会导致事故数据异质性，数据异质性会导致模型结果偏差和错误的推断。随机效应模型是解决数据异质性的有效工具。本文构建随机效应负二项回归模型对高速公路交通事故数进行预测可以在一定程度上解决事故数据异质性问题。　　本文以华盛顿某高速公路为研究对象，采用不定长法对高速公路进行路段划分，选取道路几何线形、运行速度、年平均日交通量、路面状况和视线状况为分析因素，分析其对交通事故的影响并对交通事故数进行预测。首先，阐述不同领域异质性的概念及影响交通事故的因素中异质性的来源；其次，运用灵敏度分析法对划分的路段进行筛选，采用逐步选择法对自变量进行筛选，确定自变量和因变量；再者，分析不同因素对交通事故率的影响；最后，在考虑数据异质性的情况下构建随机效应负二项回归模型对交通事故数进行预测，并与不考虑数据异质性情况下构建的负二项回归模型进行比较；采用对数似然函数值，AIC指标和BIC指标检验模型的拟合度，采用相对误差、平均绝对误差，平方和误差和均方根误差检验模型的准确性。研究结果表明：随机效应负二项回归模型的拟合度和准确性均优于负二项回归模型，表明考虑数据异质性对高速公路交通事故数进行预测时结果更优；随机效应负二项回归模型在一定程度上可以解决事故数据异质性问题。