随着社会的快速发展,预计到2040年,全球上路汽车数量将达到20亿辆。交通安全事故渐渐成为城市交通系统发展的一大隐患,并成为儿童与青少年的首要死因,人们对于安全出行这方面也十分关注;伴随自动驾驶概念因素的加入,交通系统需要解决的安全与效率问题日益突出,如何使交通系统更加安全与高效率也一直成为学者们研究的一个大方向。路径推荐在智能交通是一个比较重要的应用,可以根据驾驶员的出行需求,所规划的路线也会有所不同。推荐出从起始出发地点到目的地点的最优路线,使路网中的资源利用最大化,这便是车辆的路径推荐的目的。在路径推荐方面,许多研究者都是以出租车的方面研究最短、最快路径的推荐算法为例,还有从其他方面通过对道路附近的景观研究推荐道路,同时在安全路径推荐方面的研究,研究者通过治安犯罪的数据、路段区域的评价等等数据进行研究,而根据驾驶行为的研究较少。在动态路径规划中,传统的路径推荐的算法推荐的路径较为单一,且有时候效率较差。本文提出了一种基于驾驶行为的动态规避风险路径推荐的方法,该方法可以持续动态的对模型进行更新,并优化路径,可以推荐出风险较低同时路程较短的路径。在轨迹数据的地图匹配的处理后,由于轨迹数据匹配到路段上产生了数据的稀疏性问题,本文引入地图上的POI（Point of Interest）的信息对路网中的路段利用路段地理上的相似性使用K-Means算法进行聚类,结合Voronoi图给路段划分区域,并根据缺失路段的相邻区域内统计的车流量为权重对缺失路段的风险数据进行插值,解决了路段风险数据稀疏性的问题;接下来使用GBDT（Gradient Boosting Decision Tree）方法进行路段风险的预测,并建立风险路网图。最后基于这个风险路网图使用蒙特卡洛树搜索算法进行道路的推荐。实验结果表明,我们的算法推荐出来的路段在路段距离与路段风险进行了优化,相比于传统算法推荐出来的最短路径降低6%的风险值,路段的长度只增加了13%左右。因此,我们提出的系统能够促进道路安全,为驾驶者带来便利。