近年来,我国人民生活水平逐渐提升,汽车工业发展迅速,汽车保有量持续增长。截止2020年6月,我国全国汽车保有量达2.7亿辆,驾驶人数达4亿人,但随之而来的却是日益严重的道路交通安全问题。道路交通安全问题的核心在于如何有效地控制并预测车辆的风险,在以往发生的事故中,由驾驶人员和机动车相互影响而造成的事故尤其严重,因此,如何有效管理并评估车辆的风险已成为近年来的研究热点。车队是车辆公司的最基层管理单位,拥有很多可运营的车辆,保障车辆的行车安全一直是车队安全管理工作中的重要部分。其中,对于货运车辆的驾驶安全评价问题一直受到广泛关注,但结合实际的管理过程,各种评价货运车辆驾驶安全的方法仍需进一步研究。因此,本文将多种机器学习算法结合使用,提出了一种基于优化的隐马尔科夫模型的货运车辆驾驶安全评价模型,并根据该模型制定出货运车辆驾驶行为安全性等级评价标准。首先,通过ADAS系统收集2019年3月1日至2020年2月28日期间的837辆货运车辆的144661条车联网驾驶数据,选取15个反映驾驶风险的指标,并剔除零值数据、利用KNN算法插补异常数据,得到131024条建模所需的集市数据。但是,从驾驶类指标中无法直接评估车辆的驾驶风险,因此,本文采用熵值法将其拟合成一个可衡量驾驶风险的新指标——风险值,并将其划分为三个风险等级:轻度风险、中度风险和重度风险,作为隐马尔科夫模型的隐藏状态,同时将九个报警类指标作为隐马尔科夫模型的观测状态,以此构建隐马尔科夫模型。但在利用B aum-Welch算法训练模型时发现,初始发射矩阵B的选择对训练结果的影响较大,因此,本文利用随机森林与熵值法结合计算矩阵B。在训练模型时还遇到另一个问题,该算法不能得到参数的全局最大值,易陷入局部最优,因此,本文将Viterbi算法和Baum-Welch算法迭代使用,分别得到三个风险等级下的隐马尔科夫模型最优参数,以此构建货运车辆驾驶安全评价模型。最后,利用该评价模型得到货运车辆的驾驶危险指数,将其与风险值结合得到货运车辆的风险指数,再利用聚类算法就可判断出货运车辆的驾驶安全等级。最后利用关联规则对评价模型进行评估验证,结果表明所建模型是可靠有效的。另外,本文利用随机森林算法得到各个货运车辆的核心致险因子,利用聚类算法将九个报警类指标离散化,得到各自的划分区间,从货运车辆的核心致险因子和报警类指标划分区间两方面,分别制定出单个货运车辆驾驶行为安全性等级评价标准和三个风险等级货运车辆的整体驾驶行为安全性等级评价标准。货运车队安全管理部门可根据结果对各车辆驾驶人员以及各风险等级所含车辆的驾驶人员分别提出个性化和整体化的驾驶建议,建议其重点或适当关注哪些驾驶行为,降低车辆驾驶风险,提升驾驶安全性。经过实证分析,本文得到结论如下:1.三个风险等级的货运车辆驾驶安全评价模型参数基本一致,趋势大致相同,通过K均值聚类评估得到高风险货运车辆占比为7%,中风险占比31%,低风险占比62%,与现实生活中大多数货运车辆驾驶风险等级较低的情况相符。2.货运车队可根据单个货运车辆驾驶行为安全性等级评价标准为各驾驶人员提出个性化的驾驶建议,同时也可根据三个风险等级货运车辆的整体驾驶行为安全性等级评价标准告知所有低风险车辆驾驶人员适当关注与周围车辆距离是否过近、是否要与前车碰撞、是否遮挡摄像头、车道是否偏离、是否分神及疲劳;告知所有中风险车辆驾驶人员重点关注是否偏离车道,适当关注与周围车辆距离是否过近、是否遮挡摄像头、是否分神、疲劳及超速;告知所有高风险车辆的驾驶人员重点关注是否偏离车道和是否疲劳驾驶,适当关注与周围车辆距离是否过近、是否遮挡摄像头、是否分神及抽烟,为车队的安全管理问题提供有效的参考解决方式。论文创新之处如下:1.构建了基于混合模型的货运车辆驾驶安全评价模型,并利用动态驾驶数据将传统的事后评估变为事前评估,可提前对驾驶人员进行预警。2.分别制定单个货运车辆的驾驶行为安全性等级评价标准和三个风险等级货运车辆的整体驾驶行为安全性等级评价标准,可为车辆驾驶人员提出个性化和整体化的驾驶建议。