出租车在城市交通中具有灵活性强、机动性高以及便捷普适的特点,北京、上海、深圳等各大城市出租车分担率均占到25%~30%,说明出租车在现代城市生活中的作用举足轻重。对于出租车交通事故而言,人为因素致使事故发生的比重较大,其中驾驶员的因素对交通安全的影响尤为重要,而由交通环境或道路几何线型等客观因素造成的事故率相对较低。因此从出租车驾驶员角度出发,开展事故率影响因素分析对于交通安全保障具有重要意义。为降低出租车事故率,以出租车驾驶员为研究对象,构建出租车驾驶员的风险等级预测模型。根据调查得到的出租车驾驶员数据,首先进行与驾驶员有关的各因素的相关性分析以及探索性因子分析,包括分析出租车驾驶员发生事故严重程度与各影响因素之间的内在联系,并探寻影响出租车驾驶员交通事故严重程度的重要因素,在此基础上,利用数据挖掘技术,构建出租车驾驶员交通事故风险评估模型,预测驾驶员的风险等级,包括Logistic定序回归、决策树、支持向量机、BP神经网络四种单算法模型以及Bagging、Boosting、随机森林三个集成算法模型。对于以上模型,通过进行精度、kappa值、稳定性以及复杂程度的多指标的综合对比分析,发现BP神经网络模型在以上7种模型中的表现最为优越,为了进一步优化单算法中BP神经网络模型,利用粒子群算法进行改进,经验证,优化后的组合模型预测精度不但提升,且更加稳定。最后结合我国出租车驾驶员交通事故风险的实际应用背景,根据粒子群优化BP神经网络构建的出租车驾驶员风险预测模型,提出预防出租车司机发生交通事故的有效措施,达到降低出租车事故率的目的。