营运车辆作为道路运输的重要媒介,在实现高效便捷的运输服务的同时,也存在比较高的安全风险。在诸多要素中,营运车辆驾驶员作为道路运输环节的主导者,对营运车辆运输安全起着关键性作用。因此,对营运车辆驾驶员进行有效的风险判别,筛选出风险较高的驾驶员,以期有针对性地对其进行监管,对于预防道路运输事故发生、保障人民生命财产安全具有重要的现实意义。论文基于模拟情境获取驾驶数据,利用数据挖掘技术,建立了基于灰色粗糙集的指标筛选模型,提出了运用组合赋权的灰色聚类确定驾驶员风险等级的方法,进而,构建了基于BP神经网络的驾驶员风险等级判别模型。基于所提出理论和方法,可实现对营运车辆驾驶员风险等级的有效判别。论文的主要研究内容包括以下几个方面:(1)以营运车辆驾驶员作为研究对象,借助驾驶模拟实验平台采集70名营运车辆驾驶员的驾驶行为数据。详细分析了营运车辆驾驶员的驾驶行为对运输安全、车辆损耗等因素的影响,初步遴选出16个驾驶行为表征指标。(2)提出了灰色聚类和粗糙集属性约简理论相结合的指标筛选方法,实现了营运车辆驾驶员风险评价指标的筛选,解决了传统方法在不确定、数据不完备的条件下无法进行指标筛选的问题,最终将16个指标精简到9个。(3)将驾驶员风险等级划分为“很低、较低、一般、较高、很高”5个灰类,基于矩估计理论将熵权法和序关系分析方法相结合,确定评价指标的权重,再结合灰色白化权函数聚类,构建了基于组合赋权的灰色聚类风险评价模型,计算出70名营运车辆驾驶员的风险等级。(4)基于BP神经网络的内部学习原理,设定初始网络参数,以驾驶员的特征指标为输入样本、以风险等级为输出样本,构建了基于BP神经网络的驾驶员风险等级判别模型。经过训练和验证,实现了对营运车辆驾驶员风险等级的精准判别。