随着交通运输业的发展，公路客运服务能力与出行需求之间的矛盾逐渐加剧，道路交通事故频发，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。本文选用重庆市某客运公司提供的客运驾驶员行驶数据，从驾驶员的角度出发，用数据挖掘技术来挖掘驾驶行为特征参数并在驾驶行为分析的基础上建立车速预测模型，通过预测车辆未来行驶状态可以为驾驶员的不安全驾驶行为做出预警提示依据，另外还能为交通管理部门开展针对性的安全教育培训提供依据。主要的研究内容如下：
　　（1）驾驶行为分析特征参数选取与分类属性融合。剔除冗余或影响较小的属性数据，为客车行驶数据的分析降低难度。
　　（2）驾驶行为分析。本文进行驾驶行为分析时参考驾驶技能与驾驶风格两个指标，以聚类的方式将驾驶行为进行分类，提出一种改进的权熵FCM驾驶行为聚类分析算法，该算法针对权熵FCM算法只能使聚类得到的类簇内数据间距较小而不能达到各类簇间距离较大的问题，引入修正参数来提高各类簇间间距，进而优化聚类效果。为了与增加修正系数改进的权熵FCM驾驶行为聚类算法作对比，选用权熵FCM算法和k-means算法的聚类模型，另外对比了不考虑天气下的行驶行为分类结果与考虑天气因素对驾驶行为分类结果，验证了驾驶行为受天气因素的影响。
　　（3）基于客运驾驶员驾驶行为分类结果建立车速预测模型。考虑到客运公司监测系统获取的客运驾驶员行驶数据量较大，本文选取具有人工智能特性的BP神经网络模型来预测车速，针对BP神经网络模型进行车速预测时容易在局部最小值状态下无法跳出且在平坦区域连接权值调整较慢的问题提出一种将自适应学习率调整、附加冲量项和模拟退火算法进行有机结合进行改进的BP神经网络车速预测模型。
　　（4）模型实例验证。用改进后的权熵FCM驾驶行为分析聚类算法在不考虑天气下的自然驾驶数据进行聚类分析，聚类后将驾驶行为分为激进熟练型、一般熟练型、沉稳熟练型三类，对比考虑天气因素下的分类结果，验证了驾驶行为分析受天气因素的影响，另外将权熵FCM算法、k-means算法与改进后的权熵FCM驾驶行为聚类分析算法的聚类结果进行比较，得出改进后的权熵FCM驾驶行为分析聚类算法迭代次数最少、簇间距离最大、聚类效果较好的结论；将驾驶行为分类结果作为参数带入自适应学习率调整、附加冲量项和模拟退火算法进行有机结合综合改进的BP神经网络车速预测模型中训练并进行车速预测实验，另外选取BP神经网络车速预测模型和基于灰色序列的车速预测模型做对比，将三种模型预测速度值与实际速度值的误差进行比较，证实综合改进后的BP神经网络车速预测模型有更好的预测效果。