为了提高道路交通安全主动防控能力,以小汽车行驶轨迹数据为研究对象,研究了不良驾驶行为的实时辨识问题;基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据;提出了应用风险度量方法量化典型不良驾驶行为的理论;使用大样本统计分布方法确定不良驾驶行为的特征参数阈值;建立了结合交通环境信息的不良驾驶行为谱,计算了不良驾驶行为谱特征值;以车辆不良驾驶行为谱特征值为依据标定不良车辆样本;以部分驾驶行为谱参数为输入,使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型;为了验证方法的有效性,使用无人机交通视频采集了上海市的车辆行驶轨迹数据,分析了小汽车不良跟驰行为特征.分析结果表明:使用四分位差法得到不良跟驰特征参数的阈值为0.19 s-1,大部分样本处于正常跟驰状态,约2％样本处于不良跟驰状态;基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例,使用95％分位数将8917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8472 veh;不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4％的召回率和85.9％的精确率,平衡分数和精确率-召回率曲线下的面积为所有算法中最高.可见,不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法,与人工智能方法结合可以生成海量的不良驾驶行为谱库;不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题,与常规算法相比具有更好的不良驾驶行为辨识能力.