由于道路交通违法行为的发生受多种因素的相互影响,且客运企业为了追求利益最大化,管理相对粗放,存在一些不合理的制度,致使驾驶员疏于对交通规则的遵守,这些都会造成客运车辆运营管理及道路安全问题,因此需要通过对客运车辆违法行为分析与预测来改善运输管理与道路安全问题,辅助企业制定相关管理措施。在研究分析交通违法行为的过程中,存在以下几个问题:（1）对于数据收集方面来说,一般获取数据的方式有:APP采集、调查问卷、网络爬虫等,但是由于交通违法行为数据比较敏感,不易获取,而且调查问卷方法会导致收集到的数据信息存在偏差,对研究造成一定的偶然性;（2）影响因素不完善,比如驾驶员这一因素包括性别、学历、年龄、驾龄、有无违法史等信息不完善,无法全面分析驾驶员这一因素对交通违法行为的影响程度;（3）目前大多数研究的是单独针对交通违法行为相关影响因素的分析,对违法行为预测的研究关注度很少,并且已有的预测方法很简单,将两部分作为整体研究内容的研究很少,对于客运车违法的研究几乎没有出现。针对以上问题,文章将客运车辆违法行为影响因素分析与违法行为预测相结合,并提出了一种基于改进的粒子群优化支持向量机算法构建违法行为预测模型,对交通违法行为进行预测,具体研究内容如下:（1）针对原始数据获取问题,采集某省企业客运车辆违法行为未经处理的部分原始数据,统计产生的违法行为种类。从人、车、路、环境这四个主要因素分析数据,并从多个影响因素对违法行为数据进行分析。（2）针对获取的数据违法因素不完善,无法直接通过数据处理达到筛选因素的问题,以交通违法类别为参考序列,利用卡方检验与灰色关联分析相结合的方法进行特征提取。首先对收集到的数据进行卡方检验,设置显著水平因子α为0.05,来确定影响因素与违法行为的发生是否具有显著影响;然后根据选取的影响因素通过关联规则算法计算与违法类别发生的关联度,最终确定与导致交通违法行为发生相关的因素。（3）针对目前对于交通违法行为预测研究不完善,违法行为分类众多,无法进行有效预测的问题,以客运车辆违法行为为研究对象。通过算法对比,选取适用于小数据集预测的支持向量机算法,同时为解决基于经验参数的支持向量机预测模型预测效果差、传统粒子群优化过程陷入局部最优、无法找到全局最优的问题,利用改进粒子群优化算法对支持向量机方法进行参数寻优。获得支持向量机的最优参数组合（C,g）（28）（8.01114,0.70583）,将其用于对违法行为数据的预测,并与卷积神经网络、决策树算法等进行对比,最终所提算法的平均绝对百分误差（MAPE）为0.05,均方误差（MSE）为0.142,均方根误差（RMSE）为0.38,相关系数（R~2）为99.27%。（4）旨在实现对客运车辆交通违法行为历史数据监测,研制一款基于B/S架构的交通违法数据可视化软件。通过对历史交通违法行为数据的分析与研究,以直观图表的方式呈现对违法行为数据的统计及预测,辅助提出不同的管理意见,方便运输企业制定相关措施管理旗下营运车辆。经过实验及数据分析对比,在设置显著水平为0.05、分辨系数为0.5的情况下,驾驶员年龄、驾龄、车辆类型、违法发生时间、违法路段类型、违法地点以及车籍地这九大因素与交通违法的发生相关,结果证明对违法行为起主导作用的是人这个因素,其次是天气环境因素。在上述基础上,利用改进的粒子群优化支持向量机算法对违法行为进行预测,并与现有的预测方法进行对比,并通过评价指标验证了所提算法预测效果优于对比算法。最后,设计了道路交通违法行为分析系统,方便用户能直观查看相关结果。