换道行为是车辆在行驶过程中的随机动作,该行为有可能产生交通冲突点,甚至导致不同程度的交通事故发生。一般根据换道过程平顺或猛烈,大致将其分为安全性换道行为、风险性换道行为两类,换道行为过于猛烈将增加交通事故风险。伴随车辆换道预警系统的不断发展,车辆换道预警系统的出现,有望在车辆进行换道的起始阶段准确识别出两类不同的换道行为,并自动对存在风险的换道操作给出相应预警或干预。本文运用模式识别技术中的支持向量机方法,尝试建立一种能有效识别区分安全换道和风险换道两种驾驶行为的识别模型。借助KMRTDS驾驶模拟仿真平台开展安全换道和风险换道模拟实验,用采集到的驾驶操纵数据和车辆运行数据提取训练及测试识别模型的样本。本文研究意义在于,当识别模型判断出某一换道行为,因操作过于猛烈而超出一般安全换道行为阈值时,换道预警系统第一时间报警提示驾驶员,以避免事故发生。分类模型的识别效果主要受识别时间窗大小、特征参数、模型自身参数等方面的影响,本文运用ROC.运行结果,综合AUC值和模型的分类准确率对识别效果进行分析,通过“最优时间窗确定、最优特征参数提取、最优算法寻找模型参数”三个步骤,建立最优识别模型。首先,将定义的换道行为起始时刻作为时间窗中点,向前向后分别取相同时间段(0.5s、1s、1.5s)形成3个时间窗(1s、2s、3s),并经过对比分析三个时间窗下的模型识别效果,确定了最优时间窗为2s。其次,运用逐步回归分析、因子分析、多维偏好分析三种方法对原有的特征参数进行降维处理。其中,经逐步回归分析法提取的特征参数训练后的分类器性能最好,故将此方法提取的参数作为最优特征参数。最后,运用了枚举算法、粒子群算法、遗传算法等三种算法进行参数寻优。其中,遗传算法的分类准确率最低,枚举算法和粒子群算法分类准确率较为接近,但后者的AUC值为0.992,接近原始数据下的0.996,较好的弥补了因数据降维处理而损失的信息,所以选取粒子群算法为最优算法。在最优时间窗、最优特征参数、最优模型参数确定后,借助LIBSVM算法,在MATLAB中训练、验证识别模型,得到模型最终总体识别率为92.55%,基本能准确识别出车道保持、安全换道、风险换道三种行为,达到了运用较小样本量建立较高识别率模型的预期,取得较好的识别效果。