公路运输是我国重要的运输途径之一,每年承载着超过三百亿吨的货物运输量。目前,我国货物运输的主要形式是以货物运输管理平台为枢纽,由各运输管理平台掌控着货物运输的需求,而货运驾驶员一般以1-3人为主,也接入到管理平台进行驾驶员安全监管和绩效分析。随着对车辆驾驶员监管力度的提高,通过车载终端等设备和运输管理平台来记录和分析车辆运输安全状况及驾驶行为十分必要。如何利用管理平台的大数据挖掘有用的信息,用于规范驾驶员和提高运输安全性、时效性,成为运输平台急需解决的难题之一。本文以广东某货物运输平台数据为基础,建立了一个货物运输驾驶行为的评估模型,通过数据特征分析从而得出了车辆在不同路段的超速风险,并对不同路段潜在的超速风险进行了预警。首先,对定位、速度、里程和告警等货运车辆车载终端记录的、存储在管理平台数据库上的历史数据进行规整清洗,采用拉格朗日插值法对数据库中异常值和缺失数据进行替换或填补,从中提取出11个与驾驶行为相关的字段,再利用上述11个字段信息进一步衍生出3个能够体现驾驶安全性的特征信息,并采用box-cox变换方法改善了部分特征的偏态分布。接着,对特征数据进行DBSCAN和K-means++聚类分析对比,发现DBSCAN算法并不适用本文样本集。因此采用K-menas++算法对驾驶行为特征进行两次聚类,将货物运输车辆的驾驶员聚类为5类,并结合现有驾驶行为评价指标和企业需求提出了货物运输驾驶行为的评价依据,作为驾驶员评级的标签。本文介绍了多种集成学习方法,首次采用Catboost集成学习算法对货物运输驾驶行为进行建模分析,并与GBDT和DNN神经网络建模结果进行了对比分析。结果表明,Catboost对驾驶行为分类在三种算法中表现最佳,其准确率和精确率达到了0.88,召回率达到0.86。然后,通过Catboost模型的特征重要性分析,得出超速行为是影响驾驶安全性的重要关键因素之一。对车辆定位数据使用HMM算法进行轨迹匹配,将每个数据记录都映射到相应路段上。采用LSTM长短时间神经网络和RNN循环神经网络对路段每日的超速率趋势进行建模预测。结果表明,LSTM对路段超速率的预测效果较好,克服了RNN神经网络对于长时间序列预测容易出现梯度消失的缺点。