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。

为解决共享交通下的共乘用户群体发现效率低、准确率不高问题，依据R-树原理建立GeoOD-Tree索引，并在此基础上提出以最大化共乘率为目标的群体发现策略。首先，对原始时空轨迹数据进行特征提取与标定处理，挖掘有效出行起讫点（OD）轨迹；其次，针对用户起讫点轨迹的特征，建立GeoOD-Tree索引进行有效的存储管理；最后，给出以最大化共乘行程为目标的群体发现模型，并运用K最近邻（KNN）查询对搜索空间剪枝压缩，提高群体发现效率。采用西安市近12000辆出租车营运轨迹数据，选取动态时间规整（DTW）等典型算法与所提算法在查询效率与准确率上进行性能对比分析。与DTW算法相比，所提算法的准确率提高了10.12%，查询效率提高了约15倍。实验结果表明提出的群体发现策略能有效提高共乘用户群体发现的准确率和效率，可有效提升共乘出行方式的出行率。