随着我国公路货运量和货运周转量的逐年增多,货运安全问题变得越来越重要,加之国家层面对车联网和智能网联终端设备的鼓励和支持,如何应用车联网和智能网联技术提高公路货运安全水平成为交通安全研究的新方向。据此,本文基于货运车辆车联网终端采集的车辆轨迹、运行状态和预警信息,研究货运车辆在行驶过程中疲劳驾驶预警、超速驾驶预警和碰撞预警等车联网驾驶预警事件的时空分布特征,识别产生预警的热点路段并揭示其主要影响因素,为提高公路货运安全水平提供理论支撑。论文的主要内容包括:（1）货运车辆驾驶预警数据的提取与处理。利用Python编程和GIS地图匹配技术从原始车联网数据中提取出研究路段所需的疲劳驾驶预警数据、超速驾驶预警数据和碰撞预警数据共计16560条,分析其时空分布特征并采用方差分析的方法研究时间、空间因素对预警频次的影响。结果表明,时间因素对疲劳驾驶预警产生的影响较大,18:00—24:00产生的疲劳驾驶预警显著多于其他时段;空间因素对预警的影响突出表现为,G4京港澳高速公路在保定市范围内的产生的超速预警显著多于其他地区,而北京市范围内产生的碰撞预警显著多于其他地区。（2）预警热点路段的识别与热点共现分析。利用Moran’s I指数分析预警数据在空间中分布的聚集程度,结果表明,三种预警类型在不同时段、天气和车辆类型的分类下都不是随机分布在道路上,产生预警频次较多的路段具有一定的聚集性。采用局部空间自相关性的方法对热点路段进行了有效识别,并通过计算热点路段的共现指数分析热点路段在时段、天气、车辆类型和预警类型之间的关联性,结果表明超速驾驶预警的热点路段与12:00—18:00时段具有强关联性。（3）驾驶预警影响因素分析。分别使用传统线性回归模型（OLS）、空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）对影响预警产生的潜在因素进行分析。结果表明,超速驾驶预警的最优拟合模型是空间滞后模型,疲劳驾驶预警和碰撞预警的最优拟合模型是空间杜宾模型。说明超速驾驶预警的频次（因变量）与周围路段的预警频次具有空间相关性,但其影响因素（自变量）主要与本路段有关,与周围路段的影响因素无显著关联;疲劳驾驶预警和碰撞预警的预警频次（因变量）和影响因素（自变量）都具有空间滞后效应,例如当某路段上设有收费站时会使相邻路段也容易产生碰撞预警。