随着道路运输业的发展，公路客运服务能力与出行需求之间的矛盾逐渐加剧，道路事故频发，而驾驶员作为车辆的操控者，其不安全行为是引起道路事故发生的主要原因。车载智能设备的普及为长时期行车数据的获取提供便利，通过挖掘行车数据并提炼出有价值的驾驶行为表征参数，掌握驾驶员行为习惯，在此基础上开展车辆运动状态预测研究，为驾驶员不安全行为预警提供参考，对提高道路运输安全水平意义重大。本文从行车数据挖掘出发，基于驾驶风格辨识结果，对车速这一最主要的车辆运动参数展开预测研究，期望能提高车速预测精度以及对不同驾驶员具有适用性。主要研究内容如下：
　　(1)驾驶风格辨识方法研究。总结了当前研究所涉及的驾驶风格特征参数及其适用范围，针对多个驾驶风格特征参数之间可能存在的多重共线性问题，给出了基于主成分分析的特征降维方法；提出一种基于改进二分K-means算法的驾驶风格辨识算法，该算法针对二分K-means算法中初始聚类中心严重影响聚类结果的问题，采用iForest算法计算数据离群度并与平均差异度共同作为评价指标的方法加以改进；为了与基于改进二分K-means算法的驾驶风格辨识模型形成对比，采用聚类算法中常用的FCM算法和谱聚类算法分别构建驾驶风格辨识模型。
　　(2)考虑驾驶风格的车速预测方法研究。为了表征车速变化趋势，采用模糊控制算法开发了以车速偏差和驾驶激进度为输入，车速修正系数为输出的模糊推理机；针对现有车速预测研究中未考虑对驾驶员行为特性的问题，以车速修正系数和历史车速信息共同作为输入，基于NAR神经网络建立了DSNAR车速预测模型。
　　(3)实例验证分析。利用重庆至大足客运线路30位驾驶员一个季度的驾驶数据开展模型验证实验，搭建了Hadoop平台作为数据处理分析工具；驾驶风格辨识实验表明，改进二分K-means驾驶风格辨识算法具有较优的驾驶数据聚类结果，利用改进二分K-means驾驶风格辨识算法将30位城际客运驾驶员数据聚为谨慎型、普通型、激进型3类，通过对比分析各驾驶风格类簇特征参数，证明所定义的驾驶风格标签与行车安全特征呈现良好的一致性；车速预测实验表明，DSNAR模型的车速预测精度优于仅考虑车速序列数据的HMM模型、BP神经网络模型和NAR神经网络模型，根据不同预测步长下的车速预测结果显示，DSNAR车速预测模型在10s步长内具有较高的预测精度，对不安全驾驶行为预警具有一定的参考价值。