针对事故数据信息表达有限、数据不平衡以及数据中存在动态时空特性的问题,提出一种融合异构交通态势的事故预测模型。其中:时空状态聚合模块通过代表动态交通态势的交通事件和天气特征完成语义增强,并聚合四种区域(单一区域、邻近区域、相似区域和全局区域)的历史多时段时空状态;时空关系捕获模块从微观和宏观角度捕获事故数据局部与全局的动态时空特性;时空数据融合模块进一步融合多区域、多角度的时空状态,并完成下一时段的事故状况预测任务。在US-Accident的5个城市数据集上进行实验,结果表明所提模型的正样本、负样本、加权正负样本的平均F1分数分别为85.6%、86.4%和86.6%,与传统的前馈神经网络(FNN)模型相比,在三个指标上分别提升了14.4%、5.6%和9.3%,能有效抑制事故数据不平衡对实验结果的影响。构建高效的事故预测模型有助于分析道路交通安全形势,减少交通事故的发生,提高交通安全。