交通事件是引发道路交通拥堵的主要因素之一,通过实时交通诱导等手段可以降低其对交通运行造成的影响,而及时准确地预测事件持续时间则是实现有效管控的前提条件。为探究影响事件持续时间因素之间的关系,构建更加科学的预测模型,本论文在国内外研究现状的基础上,构建了以ACOS算法为核心的贝叶斯网络预测模型,该模型基于MIT打分函数,融合自上而下的网络生长规则,引入蚁群并行算法进行全局结构搜索,增加节点随机选择机制及局部结构概率选择模式,保证结构空间的多样性,实现搜索效率的提高。根据贝叶斯网络模型参数,进一步将节点内部机理引入至贝叶斯决策树中,构建以BNDT算法为核心的改进贝叶斯决策树模型,该模型在CART算法的基础上,通过添加节点判别规则启动类别判定机制,融合朴素贝叶斯理论与贝叶斯网络推断方法,考虑属性节点间的依赖关系,以更加贴近实际情况。结合荷兰交通部门的交通事件数据对上述模型进行实证分析,揭示交通事件持续时间的影响机理,并进行结构化和定量表达,得到的贝叶斯网络预测模型的准确率在数据完备与缺失下分别为76.97%和93.23%,平均预测精度达87.82%。以误差20分钟为可接受的预测精度,贝叶斯分类模型在信息完备与缺失下的准确率为64.85%和63.64%。改进的贝叶斯决策树模型能够给出每个分枝的平均事件持续时间，在数据完备的情况下,满足预测精度的事件达77%；在不同的信息缺失程度下,满足预测精度的事件最低占70%。实证分析结果表明,贝叶斯网络模型以及改进贝叶斯决策树模型,均能有效的对交通事件持续时间做出预测。