为提升交通事故预测模型的精度并减少鲁棒性，利用Stacking集成策略构建事故预测模型。首先，构建基于决策树、极端随机树等8种机器学习模型的单一事故预测模型，利用MIC检验与图着色法度量各事故预测模型的相似度，选取相似度低、多样性强的模型参与集成；其次，对单一事故预测模型结果进行Box-Cox变换，并利用特征加权法为各单一模型分别赋予不同的权重；最后，选用BP神经网络、Logistic回归等模型作为元学习器进行Stacking集成。研究结果表明：元学习器选用BP神经网络的集成模型预测精度高于其他集成模型，相较于预测精度最高的单一事故预测模型，集成模型的MAE、RMSE分别降低24%和14%,R²提高6%。