为准确预测车辆运行风险,提出一种基于改进黏菌算法(ISMA)与反向传播(BP)神经网络的ISMA-BP模型。首先,通过Bernoulli混沌映射初始化黏菌种群,引入多领导者策略,改善算法位置的更新方式;其次,引入T分布变异策略,优化算法的后期局部探索能力,并引入优化动态权重系数策略,动态调整搜索步长,使用ISMA优化BP神经网络;然后,设计消融试验,使用6个基准测试函数对比分析算法改进过程;最后,采用某市实际浮动车数据,使用灰色关联-多元回归方法预测车辆运行风险。结果表明:通过混沌映射与引入多领导者策略能有效改善黏菌算法迭代效率与精度,每改进一步,均值与最优值之间的误差降低5%~35%;ISMA均值与最优值误差比其他4个寻优算法降低5%~30%;与5种元启发式算法结合的BP神经网络模型进行对比,平均绝对误差(MAE)分别降低3.88%、0.40%、3.48%、3.89%、2.53%,均方误差(MSE)分别降低0.34%、0.06%、0.21%、0.32%、0.17%,均方根误差(RMSE)分别降低4.76%、0.69%、3.53%、4.52%、3.09%,说明本文方法在预测车辆运行风险时具有较好性能。