驾驶行为特性是车辆主动安全系统、车路协同系统、智能交通系统、交通安全管理及控制的应用基础,对实现车联网环境下的安全预警具有重要意义。驾驶行为具有复杂性、时变性及随机性特征。车联网技术的出现和发展为实时获取车辆位置、速度、加速度等信息创造了条件,为实时轨迹预测奠定了基础,为车辆安全预警提供了新的思路,也对驾驶行为特性研究提出了更高要求。论文针对不同类型的驾驶行为,聚焦外界刺激下的应激反应行为,开展车联网环境下的交通安全保障相关技术的研究,体现在以下几方面:为避免驾驶人自身、外界环境及车辆状态等因素造成驾驶特性识别不稳定,本文研究过程中假设驾驶人和车辆为一个整体,即把―驾驶人—车辆‖视为一个―黑箱‖系统,再依据车辆历史运行状态数据,对其在外界刺激下的反应特性进行识别,并在此基础上实现对未来一段时间内的车辆运行轨迹进行实时预测,从而为实时安全预警提供理论支撑。为避免已有的模型驾驶人生理-心理特性指标及参数复杂多样,且获取困难的问题,本文以车辆历史轨迹数据为依据,结合多种理论方法,计算并确定三个特征参数——反应时间、最小安全距离和驾驶行为稳定性,建立自适应驾驶行为特性识别模型。依据符合车联网数据特征的NGSIM轨迹数据,利用Newell理论,得到驾驶行为特性的初步评价,即提取车辆应对外界刺激时的反应时间和最小安全距离指标,进而结合聚类方法把驾驶行为特性分为熟练、风险和普通三类。针对车辆在启-停前后所表现出来的加减速不平衡现象(磁滞现象),提出驾驶行为综合评价,即整合驾驶行为稳定性指标将每种类型进一步细分为迟钝、谨慎、激进、敏感保守、危险、熟练类型。对于横向驾驶行为特性评价,本文主要研究了换道车辆及受换道影响的跟随车的特性变化,并应用换道稳定性系数来量化变化趋势。另外,为使仿真系统符合实际道路运行情况,本论文把仿真系统中的横向驾驶行为分为产生换道意图、判断换道条件及换道执行过程三个阶段。针对以上三个阶段,本研究分别建立了神经网络换道意图识别模型、贝叶斯换道条件判别模型及换道执行过程模型。仿真系统运行过程中换道决策失误会造成车辆运行异常,应用神经网络和贝叶斯方法建立的换道决策模型能有效避免上述情况发生。换道执行过程模型的加入,使得仿真系统更接近真实环境下的换道行为。最终,本文以面向车联网环境的安全预警应用为出发点,对修正后的Newell模型的轨迹预测效果进行了探讨,并利用真实轨迹数据对修正后的Newell模型和IDM模型、OV模型进行了对比验证,验证结果显示,根据本文驾驶特性研究成果修正后的Newell模型在微观层面上的位置及速度预测误差较小,能够为车联网环境下的实时安全预警提供理论支撑。在宏观层面上,通过建立仿真试验系统对基于Newell理论的跟车和换道驾驶模型进行了交通流验证,再现了真实环境中的驾驶行为特性,并模拟了不同程度的驾驶特性变化对交通流的影响。仿真结果中的驾驶行为具有实际交通环境中的加减速不对称、拥堵波传播、换道前的预期反应、换道后的―平庸化‖等特性,从包含驾驶行为特性的交通流仿真层面揭示驾驶行为特性的变化趋势和应激反应机理,可辅助构建车联网环境下的安全预警系统。