随着交通运输业的快速发展,交通安全问题越来越不容小觑,交通事故对社会经济发展与人民生命财产安全带来巨大的威胁。根据国家统计局资料,在2019年,我国交通事故发生数247646起,死亡人数总计62763人,受伤人数总计256101人,直接财产损失达134618万元。而交通事故往往与驾驶员、车辆、道路和环境等多方面因素相关。各风险因素组又可以进一步划分成各个风险因子,各风险因子之间相互关联、难以量化。在这种复杂的情况下如何准确评估车辆风险等级,并能够有效降低车辆风险变得至关重要。本文在分析了运输车辆风险特点和综合评价方法的研究基础之上,提出了一种基于关联规则置信度改进的网络分析法,并研究了其在运输车辆驾驶风险综合评价中的应用。本文对网络分析法（ANP）的原理、求解方法和计算步骤进行了研究,并从理论、结构、解决问题的时效性和计算复杂度等方面将ANP和层次分析法进行分析比较,发现在处理指标间存在关联的复杂问题时ANP更具有优势;然后对车联网环境下数据质量低的原因进行了探讨,发现车联网实时数据具有高频率、高时间关联度的特点,并且其中存在各种数据错误问题。因此采用基于时间序列滑动窗口的实时数据清洗、汇总方法。该数据清洗方法能够最大限度修复实时数据中的错误,使清洗后的数据与车辆真实行驶情况相接近,从而为车辆风险评估提供高质量的数据支持;其次使用车联网动态实时数据提取出按日静态汇总数据,根据运输车辆各风险因子之间相互关联、相互转移的特点,利用关联规则对各风险因子之间的关联关系进行挖掘,使用置信度值量化风险因子间的影响程度大小,并以此作为网络分析法判断矩阵标度设置的参考依据。从客观数据出发能够尽可能的还原客观事实且最大限度降低人为主观随意性。将出险概率作为网络分析法控制层准则,把互相关联影响的风险因素组作为网络层。通过关联规则置信度值确定风险因子之间的关联关系大小,并以此作为判断矩阵标度取值的参考依据,从而建立最终的超矩阵,并通过SuperDecisions软件求解各风险因子权重;最后借助熵值法的思想计算每辆车的初始风险得分并进行归一化处理,结合车辆历史出险情况,将查全率、查准率与得分归一化结果的变化关系可视化表达,并通过肘部法则对归一化得分进行分级分区间离散化处理。最终建立三个风险等级,分别为:较大风险A,较小风险B,无风险C。为得分结果转换问题提供新的思路,使得车辆风险得分结果更加直观易懂。本文采用车辆DSM（驾驶员状态监测系统）、ADAS（高级驾驶辅助系统）、GPS设备和行车记录仪动态实时反馈数据进行汇总提取、建模分析,能够从多角度刻画车辆风险。相较于层次分析法,分析结果表明改进的网络分析法能有效的体现出各风险因子之间的关联、影响以及转移关系,综合评价方法权重设置科学合理,能够准确评估车辆风险等级。同时根据可控风险因子对整体风险的贡献度,能够筛选出需要重点监控车辆,并有针对性的对该车驾驶员进行安全培训,从而有效提升交通运输安全水平。该综合评价方法无论是对驾驶员、社会、运输企业或保险公司,均具有重要的参考价值。