车辆危险事件识别是指综合行车数据及其周围环境对车辆异常状态进行检测,该技术对降低事故损失,保证驾驶员安全有着极其重要的意义。传统的车辆危险事件识别方法受传感器感知范围的影响,仅使用单车特征对危险事件进行识别,具有一定的局限性。本文以网联环境为背景,综合单车动力学数据和网联环境下道路的波动性数据等多维特征,研究网联环境下的车辆危险事件识别问题。首先通过SUMO微观交通仿真器对网联环境下的多维特征进行研究,其次利用机器学习等相关融合算法建立危险事件识别模型,最后通过自然驾驶数据对其进行验证。本文依托于国家重点研发计划课题（2017YFC0804800）。论文的主要工作如下:（1）网联环境下车辆危险事件特征分析首先,利用SUMO仿真器模拟了直线路网和路口路网两种道路环境,针对不同路网环境,模拟交通事故,提取事故数据作为数据集;其次,利用变异系数、变异四分位数、极值占比等统计学指标对网联环境下整个道路的车辆波动性进行衡量,通过斯皮尔曼相关系数证明了网联道路特征和事故之间具有相关性;然后,由车间距、速度、加速度和速度差等组成的单车特征和网联道路波动特征形成39维的初始特征集;最后利用随机森林和梯度提升决策树两种特征选择算法对不同路网下的特征重要度进行排序,形成两种路段的最优特征子集。（2）网联环境下的车辆危险事件识别模型首先,本文建立了三种特征集合,即单车特征集、基于随机森林的最优特征子集和基于GBDT的最优特征子集,使用逻辑回归、支持向量机、Adaboost三种不同的分类融合算法对三种特征集进行训练建模,形成九个预警模型;其次,利用准确率、精确率等分类算法常见的评价指标从不同层次对九个模型进行评价,并结合预测碰撞概率选择最优的模型。最后,实验证明本文提出的模型比传统的单车特征模型的识别率跟高。同时,就直路路网而言,GBDT-SVM模型的效果最优,其准确率达到92.5%,召回率达到92.9%,F1 Score是92.3%。就路口路网而言,GBDT-SVM模型的效果最优,其准确率达到了91.7%,精确率是85.8%,召回率达到了96.6%,F1 Score是90.9%,AUC面积是0.924。（3）基于开放自然驾驶数据集的多特征危险事件识别模型验证本实验使用美国SPMD项目中的DAS2数据进行验证。首先,针对原始自然驾驶数据集进行处理,包括数据填充、重复数据删除等操作;其次,利用阈值法和人工效验相结合的方法筛选本文的异常数据集,并利用谷歌地球对车辆的路段位置进行还原,将原始异常事件划分为21个直路异常事件和38个路口异常事件,针对数据集建立了36维的特征集;最后,利用GBDT算法对特征进行筛选,利用SVM算法对危险事件进行识别。经过实验,就直路数据而言,GBDT-SVM模型的准确率达到了96.6%,精确率是93.2%,召回率达到了89.1%,F1 Score是91.1%,AUC是0.937。就路口数据而言,GBDT-SVM模型的准确率达到了95.4%,精确率是85.7%,召回率达到了86.5%,F1Score是86.1%,AUC面积是0.919。