高级驾驶辅助系统 (ADAS) 中，速度建议辅助 (ASA) 通过向智能汽车驾驶员显示建议车速，有助于提高驾驶安全性并可能提高能源效率。然而，由于感知和反应延迟以及车辆控制不完善，经常会出现基于驾驶员的速度跟踪误差，从而降低了 ASA 系统的有效性。在本研究中，我们提出了一种基于学习的驾驶员行为建模方法，旨在实时预测和补偿速度跟踪误差。首先使用 k-最近邻 (k-NN) 算法根据驾驶员的驾驶行为将受试者驾驶员分为不同类型。然后采用非线性自回归 (NAR) 神经网络来预测每个驾驶员产生的速度跟踪误差。在基于 Unity 游戏引擎的驾驶模拟器平台中创建了一个特定的交通场景，其中 ASA 系统通过平视显示器 (HUD) 向驾驶员提供建议驾驶速度。 17 名志愿驾驶员进行了人机在环仿真研究，结果表明，在补偿速度跟踪误差的情况下，速度误差方差降低了 53%，能耗降低了 3%。通过在实际乘用车上进行现场实施，进一步验证了结果。