城市道路交通环境复杂多变，车辆冲突问题日益突出，异常驾驶行为将导致车辆冲突进一步加剧，引发交通系统运行混乱，从而加大道路交通安全风险性。现有交通安全风险研究大多是事故后的数理统计分析，难以准确刻画事故发生前的交通运行状态。随着车联网技术的飞速发展，逐渐积累海量的异常驾驶行为数据，而这些数据并未得到充分挖掘，无形中造成数据资源的浪费。
　　本文以车联网OBD异常驾驶行为数据为基础，详细分析单一道路条件及组合道路条件对车辆异常驾驶行为率的影响，建立异常驾驶行为空间分析模型。最终，结合道路安全风险评估方法，辨识道路交通安全风险状态。具体研究内容如下：
　　(1)系统回顾道路交通安全风险辨识方法和驾驶行为数据相关研究。详细分析目前交通安全风险辨识方法的研究数据类型、来源和数学模型等，阐述驾驶行为影响因素和驾驶行为与安全的研究。剖析目前研究的局限性和不足，分析当前风险辨识方法和驾驶行为研究的机遇和挑战。
　　(2)根据异常驾驶行为发生位置，选取道路坡度、弯度、公交站和开口为影响因素。以重庆市主城区6条主干路为研究对象，根据“同质法”将上述道路划分为130个路段。定性分析不同道路条件对异常驾驶行为率的影响，借鉴灰色关联模型，定量分析不同道路条件与异常驾驶行为的关联度。
　　(3)异常驾驶行为双因素分析。分析道路坡度、弯度、公交站和开口组合道路条件下，异常驾驶行为发生频率的变化。
　　(4)异常驾驶行为空间分析模型。分析了Possion回归模型和零膨胀系列回归模型的适用特点，在此基础上，建立急加速、急减速、急转弯和超速行为空间分布规律模型。结果表明，急加速率、急减速率适宜采用Possion回归模型，急转弯率采用零膨胀负二项分布(ZINB)回归模型效果更好，超速率采用零膨胀Possion(ZIP)回归模型最好。
　　(5)基于异常驾驶行为率计算模型，结合道路安全风险评估方法，建立驾驶行为数据驱动的一体化道路交通安全风险辨识方法。
　　(6)实例验证研究。选取重庆市3条道路，利用本文异常驾驶行为空间分布模型得出各路段急加速率、急减速率、急转弯率和超速率理论值，并分析各路段理论值与实际值的误差，验证本文模型的可行性。同时，结合驾驶行为数据驱动的一体化道路交通安全风险辨识方法，根据道路交通安全熵值，将道路交通安全风险划分为高、低风险，划分阈值为0.051，准确率为83.78%。