高速公路货车GPS轨迹数据异常分析与研究.pdf

2023年/第10期 物联网技术全面感知 Comprehensive Perception190 引 言目前我国对于高速公路数据的管理存在部门分管、难以交互的问题，例如高速收费站数据是保存在收费部门，而GPS 数据是保存在高速运管部门。在研究高速公路货车异常行为时，数据之间的不互通容易导致许多问题。本文以货车的逃费和交通违章这两类问题为例，分析数据不互通在数据分析中所造成的问题。货车的逃费行为包含倒换卡、换挂等，造成了巨大的经济损失；而交通违章行为通常包含强闯ETC、尾随 ETC、套牌等，不仅造成了经济损失，更是对高速公路交通安全及人身安全造成了威胁。针对货车逃费行为，已经有许多学者做了相关的研究：通过数据融合、机器学习等方法，能够发现大部分的逃费行为，并且在部分省的高速公路收费站也得到了实际运用1-6。实际中为有效管理货车运输的安全，国家通过强制在货车上安装 GPS 系统进行监测；虽然 GPS 的数据与车辆的原始信息绑定之后能够对倒卡、换卡等逃费行为具有一定的监测作用，但是由于安全监测数据与收费流水数据相互独立且隔离，货车的逃费行为仍旧难以察觉。针对货车交通违章的现象，目前主要是采用车牌识别、视频检测技术等方法进行处理。这些方法往往时效性低，需要收费站录入数据才能察觉，同时基于图像处理的检测技术，存在计算量过大并且对于较为复杂的情况精度较低等问题7-9。综上可以看出，单独使用 GPS 数据或收费站数据进行异常轨迹车辆的分析，效果并不理想。为了提高车辆识别效率和精确度，本文通过 GPS 轨迹数据和收费站数据的融合，对货车的高速公路通行数据进行分析和处理，确定货车通行数据中的行为异常点，寻找存在异常行为的货车，进而有助于寻找存在异常轨迹行为的货车。1 GPS 数据处理1.1 数据预处理GPS 设备对驾驶车辆空间轨迹信息进行采集，采集的数据主要包括车牌号码、时间、经度和纬度等信息，但是采集的这些信息不是完全正确可靠的。GPS 数据主要存在数据重复、数据异常和数据缺失的问题。原始的 GPS 数据都存在质量问题，必须经过相应的数据清洗，才能得到有价值和研究意义的数据，同时也方便对数据信息进行进一步的研究和挖掘。因此对于原始数据，需要对其中的异常数据、缺失数据、重复数据进行处理10-13。异常、缺失、重复的数据被清理之后，得到的用于搭建模型的数据项见表 1 所列。1.2 GPS 数据映射任意两个门架之间，在一定时间段内会具有车辆全部的通行轨迹，将这些 GPS 轨迹数据聚类后能够在轨迹中找出所需内容与规律。本文在确定已知标准链路之上，进行 GPS 点映射到标准路径上的处理，是将 GPS 点按最短距离规则映射到标准路线上。GPS 点到标准路径上的距离分成两部分，其高速公路货车 GPS 轨迹数据异常分析与研究许天宇1，韩振峰1，张 波2，马 静2，王 磊3，靳引利1（1.长安大学 电子与控制工程学院，陕西 西安 710000；2.陕西交通控股集团有限公司，陕西 西安 710000；3.陕西省高速公路收费中心，陕西 西安 710000）摘 要：针对高速公路货车的逃费行为，由于其行为隐秘、稽查流程复杂，现有的方法仍旧难以精确识别。为了能够提升对高速公路货车逃费行为的监测水平，减少运营管理单位的经济损失，该文基于高速公路货车 GPS 数据和收费站数据，对 GPS 数据进行清洗和数据映射，然后对高速公路中存在异常行为的车辆进行分析。在此基础上得到异常车辆所具有的异常特征，根据异常特征建立轨迹数据分析模型，提出异常点的检测方法，确定高速公路货车异常轨迹。研究结果表明，利用文中方法能够建立分析异常轨迹车辆的模型，对有效识别异常轨迹车辆提供理论支撑。关键词：高速公路；货车逃费；GPS 轨迹；收费站数据；数据异常；异常分析中图分类号：TP399 文献标识码：A 文章编号：2095-1302（2023）10-0019-04DOI：10.16667/j.issn.2095-1302.2023.10.005收稿日期：2022-11-21 修回日期：2022-12-29基金项目：陕西交通控股集团有限公司运营管理分公司科研项目资助：基于大数据车辆画像的高速公路收费稽查研究（2019-15k）物联网技术 2023年/第10期 全面感知 Comprehensive Perception20中一部分为 GPS 点到子轨迹段的距离；另一部分为 GPS 点到连接点的距离。GPS 点到标准路径的最短距离示意图如 图 1 所示。表 1 预处理 GPS 数据项数据项对应表格内容车牌车辆车牌号，如陕 B5*82经纬度车辆某一时刻的经纬度起始点车辆轨迹起始点的经纬度时间线车辆起始点所对应的时间GPS 链路均为 1P2为第 2 个 GPS 轨迹点所对应的轨迹数据P3为第 3 个 GPS 轨迹点所对应的轨迹数据P4为第 4 个 GPS 轨迹点所对应的轨迹数据注：“P2”“P3”等是车辆实时反馈的 GPS 数据，包含车辆的经度、纬度以及时间点。其中时间以 xxxx 年 xx 月 xx 日 xx：xx：xx 表示。图 1 GPS 点映射到标准路径上的示意图图中：Q 代表 GPS 点，ABCDE 是代表一条标准路径，Qt 是 BC 的垂线，点 t 是 BC 与 Qt 的交点。首先找到前后距离 Q 最近的两个连接点 B 点和 C 点，过点 Q 作线段 BC 的垂线，相交于 t 点，获得最短距离 Qt，t 点就是 Q点的映射点。Q 点在标准链路上的映射点有两种情况，第一种映射点是连接点，第二种映射点是过 GPS 轨迹点的垂线与连接线段的交点。t 点的具体计算步骤如下：利用点斜式公式计算垂线 Qt 的方程：yyxx=()33 （1）利用两点式方程求取直线 BC 的方程：yyyyxxxx=121121 （2）联立式（1）和式（2）建立方程组，求解出 t 点的坐标，t 就是 Q 点在标准链路 ABCDE 上的映射点。通过以上的数据处理，能够将复杂、不规律的 GPS 轨迹映射到标准链路上，并且将折返的重叠轨迹进行平面展开，有助于更好地分析车辆的 GPS 轨迹，分析其行为特征。2 高速公路异常车辆的行为分析高速公路上存在大量的车辆，其行为与正常在高速公路上行驶的车辆有较大的不同。这些车辆为了完成绕行、换挂、倒卡、换卡等逃费行为，往往需要在高速公路上不断往返，或者在某服务区停留较长的时间，这导致其 GPS 轨迹数据与收费站数据往往有一定的区别。通过分析这些车辆的各种行为，能够得到这些车辆的 GPS 数据与收费站数据中的异常 特征。2.1 偷逃费车辆的行为分析随着我国高速公路里程不断扩张，尤其是 2020 年取消省界收费站后，货车在高速公路上行驶会产生高额的通行费用，容易出现货车偷逃费行为，一般主要有换挂、倒卡换卡、甩挂甩货等逃费行为14-15。这些偷逃费行为都具有一些相似特征，本节主要针对换挂行为进行分析。换挂是指挂车在高速路上联合其他挂车通过交换后挂的方式将货物运送到指定的地点的高速公路车辆行为。换挂逃费是通过缩减系统记录的行程距离，从而实现减少通行费的目的。换挂逃费往往都是具有系统组织的行为，逃费次数多，逃费总额大。分析其折返轨迹特征，具体换挂逃费行为如图 2 所示。图 2 换挂逃费行为示意图换挂车辆的逃费流程分为四个阶段，分别对应 T0时刻、T1时刻、T2时刻和 T3时刻（T3T2T1T0）。有 3 辆挂车，甲2023年/第10期 物联网技术全面感知 Comprehensive Perception21挂车携带 1 号挂箱，乙挂车携带 2 号挂箱，丙挂车携带 3 号挂箱。第一阶段：在 T0时刻，挂车甲携带 1 号挂箱，从收费站 A 上高速，往前行驶到达 a 服务区，挂车乙在 a 服务区等待挂车甲。第二阶段：T1时刻，挂车甲和在此等待的挂车乙交换挂箱。挂车甲携带 2 号挂箱在 B 收费站下高速，挂车乙携带 1 号挂箱向 b 服务区行驶。第三阶段：在 T2时刻，挂车丙携带 3 号挂箱，从收费站 C 上高速公路，向 b 服务区行驶。挂车乙和挂车丙在 b 服务区相遇并交换彼此的挂箱，之后，他们继续向前行驶。第四阶段：挂车丙携带挂箱 1 行驶到 C 收费站下高速，挂车乙携带 3 号挂箱在高速公路上继续折返行驶。三辆挂车在高速公路上像这样周而复始进行换挂逃费。2.2 交通违章车辆的行为分析在高速公路上，由于部分驾驶员对安全驾驶行为意识淡薄，所以就存在车辆发生交通违章的情况，相应的也会导致这些车辆产生一些较为异常的 GPS 行驶轨迹。目前，国内高速较为常见的违法行为主要有违法停车、超速行驶、违规倒车等情况。违法停车这一行为在高速公路上较为常见，车辆在高速上长时间的逗留会产生极大的危害，许多驾驶员可能会在高速公路匝道口上随意停车上下人，在车辆没有出现故障时就贸然驾驶车辆停到应急车道进行休息或者车辆检查。车辆的超速行驶，同样也是较为常见的容易引发恶性交通事件的违章行为。超速会影响车辆的操作稳定性，极易发生侧翻或者倾斜；同时当车辆速度过快时，也会导致驾驶人视野变窄，难以有效地处置车辆前方的紧急情况。车辆的违规倒车虽然并不常见，但所造成的危害也比较重大。有的车辆可能会在高速出口倒车，也存在有的车辆可能因速度太快或者驾驶员注意力不集中等情况而没有及时下站，就可能会在行车道倒车，极易导致后车来不及采取措施而发生交通事故。3 异常特征分析和轨迹数据模型根据收费站数据与货车的 GPS 轨迹数据，结合第 2 节中的分析可得知具有异常 GPS 轨迹车辆的轨迹特征；根据异常车辆轨迹的特征能够在异常车辆的 GPS 轨迹中找到其 GPS轨迹的异常点。3.1 异常车辆的 GPS 轨迹特征（1）收费数据异常。异常行为车辆的收费数据异常主要分为两类：第一类有入无出，截止当前时刻，在收费中心，只有该异常行为车辆进入高速公路收费站的信息，没有驶离高速公路收费站的信息；第二类是无入无出，截止当前时刻，在收费系统数据中，没有该车辆进出收费站的信息，但是该车辆此刻却在高速公路上行驶；第三类是数据异常，如出现通行卡丢失等情况。（2）时间异常。第一类异常行为车辆会长时间行驶在高速公路上。与正常行驶的车辆相比，异常行为车辆可能长时间不下高速或根本就不下高速公路，在时间上与正常车辆存在明显的异常。（3）路径异常。与正常驾驶的标准轨迹不一致，异常行为车辆在其高速公路行驶轨迹中存在局部子路径多次重复的现象。例如：异常行为车辆多次在 A 点和 B 点进行折返，它的轨迹中就会出现 A 点到 B 点的轨迹重叠现象。3.2 GPS 轨迹异常点据 3.1 节中异常数据的原则，遍历 GPS 轨迹数据和收费站数据，会发现许多路径异常点，其分为折返点与停留点。折返点的主要特征就是具有一定的折返现象，而停留点的特征是某一个 GPS 轨迹点保持不动，停留某段较长的时间。3.2.1 GPS 轨迹折返点根据第 2 节中异常数据的原则，遍历 GPS 轨迹数据和收费站数据，会发现许多路径折返点。折返点的主要特征就是具有一定的折返现象。分析出所有 GPS 轨迹点中真正的折返点，就可以实现对轨迹划分和折返次数的统计以及判断车辆在空间上的折返轨迹。折返点的判断条件如下：（1）该点必须能够聚焦到标准高速路线上；（2）该点与前一个点和后一个点形成的相对夹角必须是锐角；（3）该点之后的反向点必须在路径上持续一段时间。遍历映射点集合，查找满足条件的点。对于给定的 GPS 轨迹标准链路和 GPS 轨迹映射点，折返点的判断主要取决于以下三个变量：（1）映射点 t 聚焦到标准高速路线上，给定 GPS 轨迹点坐标、标准链路上距离 GPS 轨迹点最近的两个连接点，按照最短距离规则，联立式（1）、式（2）得到标准链路上的映射点 t 的坐标，折返点映射在该标准路径上，从而可以计算重复出现点数的路径，否则，如图 3 所示，不在标准高速线路上属于换线，则会造成折射点的统计数量缺失。图 3 映射点换线示意图物联网技术 2023年/第10期 全面感知 Comprehensive Perception22（2）如图 4 所示，对于给定的折返点 A、前一点 B 和后一点 C，相对夹角的阈值 被定义为：=()+()()()()arccosdis,dis,dis,dis,dis,A BA CB CA BA C2222 （3）式中：dis(A,B)和 dis(A,C)分别表示折返点到前一个点的距离和折返点到后一个点的距离。本文设定相对夹角的阈值th=60。图 4 折返点相对夹角示意图（3）如图 5 所示，对于给定的折返点 p1和折返之后的反向点 p2，折返后反向点持续距离 D 被定义为：D=dis(p1,p2)（4）式中 dis(p1,p2)表示折返点到折返后反向点的距离。图 5 折返后反向行驶示意图折返点分布数据见表 2 所列，通过大量数据归纳总结特征，当货车发生折返现象后，一般需要在折返路径上行驶一段时间，因为高速上存在许多小范围的折返现象，例如车辆选择走匝道或者上互通立交转换等情况，所以折返距离越长说明折返的可能性越大，本文取置信度为 0.05，设定持续距离阈值 Dth=5 km。表 2 折返点分布数据折返距离/km置信程度/%0.2400.5523845951099在满足映射点聚焦到标准高速路线上的条件后，如果 th同时满足 D Dth，其中 th和 Dth分别表示 和 D 的预设阈值，则认为该轨迹点作为折返点。重复执行遍历轨迹上的各映射点，直到所有轨迹点都被处理完毕，则表明折返点已经全部被检测。3.2.2 GPS 轨迹停留点根据 2.1 节中的行为分析，结合实际资料，发现货车司机往往不会在收费站长时间停留、过夜等，能够得出货车长时间停留是一种异常行为。本文通过对货车 GPS 轨迹数据进行处理，得到了轨迹停留点的整合数据，见表 3 所列。取 0.01的置信区间，可令停留时长超过 6 小时的轨迹点为异常点。表 3 停留点数据停留点时间区间/h车辆数量所占比例/%0，0.514 27970.080.5，13 52017.271，21 3046.402，47003.434，63851.896，81860.934 实验结果实验使用 1 台搭载 Windows 10 系统、CPU 为 8 核、显卡为 RTX2080Ti、内存 16 GB 的计算机。实验中采用的原始数据为某省 2021 年 10 月12 月收费站的收费数据、门架数据和对应车辆的 GPS 数据，经过一系列数据预处理后得到了实验待测车辆总共 20 374 辆。利用上述识别算法对这些车辆的 GPS 轨迹数据进行一一识别，在实验过程中通过对锐角阈值和折返持续时间阈值的调整，发现了具有异常轨迹的车辆。本文以其中一辆为例，分析其行驶过程中的异常轨迹。其 GPS 轨迹如图 6 所示。图 6 异常车辆的 GPS 轨迹车辆从韩城开往乾县，整个路段划分为 A（韩城匝道至合阳匝道）、B（合阳匝道至荆姚匝道）和 C（荆姚匝道至乾县匝道）三段。该车辆在 B 路段有轨迹重复的现象，将该路段向下“舒展”开，如图 6 深色轨迹部分所示。实验结果表明该车辆在 B 段往返折叠的轨迹有 7 次，具有重大的换挂嫌疑。为了测试算法的有效性，通过实地选取实验车辆进行测试，实验车辆在高速公路上进行来回折返驾驶，通过算法可以准确识别出实验车辆，验证了算法的有效性。5 结 语本文研究了货车异常 GPS 轨迹数据，对 GPS 数据进行清洗处理，同时将 GPS 轨迹点数据映射到标准链路上，然后对高速公路异常车辆的行为进行分析，并针对异常特征提出（下转第25页）2023年/第10期 物联网技术全面感知 Comprehensive Perception251 8618181 9118241 9924202022020220.()().()().(=+=+=xyxyx)()20224+yxy0020 9720 99=.得出理论坐标为（20.97，20.99）。4 结 语本文设计一种基于 ZigBee 的室内指纹定位算法。采用CC2530 模块作为无线通信设备，结合 ZigBee 技术，采集RSSI 值进行室内指纹定位。该系统方案可以在室内环境下进行无线通信，实现室内定位的功能。建立数据指纹库，减小定位误差，并在采集未知节点接收信号强度后，计算出与该点数据差距最小的 3 组数据，再利用三边测量的方法计算出未知节点坐标。注：本文通讯作者为高常青。参考文献1 徐硕.基于 ZigBee 和 EMD 距离的 RSSI 室内定位方法的研究与实现 D.长春：东北师范大学，2021.2 高国伟，白国振，杨勇明.基于 RFID 的改进室内三边定位算法研究 J.信息技术，2017，41（5）：75-78.3 戴宗羽.基于指纹地图的室内定位技术的设计与实现 D.成都：电子科技大学，2016.4 韩卫济，徐光，赵光辉，等.基于 ZigBee 的推进剂气体无线监测及定位算法设计 J.国外电子测量技术，2019，38（9）：97-100.5 徐洪霞.基于 CC2530 的无线数据远距离通信模拟设计及应用 J.电脑编程技巧与维护，2022，29（3）：59-61.6 吴绍聪，高常青，曲爱涛，等.基于 ZigBee 的心率检测系统设计 J.物联网技术，2022，12（1）：7-9.7 黄有山，候鸣，徐玲，等.基于 ZigBee 的室内定位方法分析和验证 J.智能物联技术，2018，1（2）：23-27.8 朱清山，王伟.基于 RSSI 的指纹地图室内定位算法 J.国外电子测量技术，2020，39（10）：6-9.9 阚瑞祥，王玫.面向自标定室内定位基于遗传算法优化 SVM 的视距与非视距信号分类 J.现代电子技术，2021，44（1）：49-52.10 敬振宇，熊兴中，张维，等.改进动态 K 的 WKNN 的室内定位方法 J.现代电子技术，2021，44（7）：22-27.作者简介：时子皓（1998），男，山东济南人，硕士研究生，研究方向为机械装备设计与分析。高常青（1975），男，山东无棣人，博士，教授，研究方向为创新设计理论与方法、工程设计技术与新产品开发。张瑞年（1999），男，山东济宁人，硕士研究生，研究方向为机械设计与理论。王国锋（1973），男，山东临沭人，本科，研究员，研究方向为机械设计及自动化、传感器与测试技术。一种识别轨迹异常的检测方法。最后通过实际数据验证了该方法的有效性。从结果中得出，本文所提出的检测算法对于识别异常轨迹车辆有着不错的效果，有助于降低稽查部门工作强度。参考文献1 汤锐，刘玉锦.车型识别技术在打击高速公路逃费中的应用 J.中国交通信息化，2017，19（10）：111-114.2 魏强.基于 BP 神经网络的高速逃费监测系统 J.技术与市场，2020，27（1）：81-83.3 李松江，周舟，李岩芳，等.基于 IGA-IBP 算法的高速公路逃费预测 J.计算机工程与设计，2018，39（12）：3840-3845.4 向红艳，杨朋涛，伊佳佳.基于 RF-LR 的高速公路逃费车辆状态预测模型 J.重庆师范大学学报（自然科学版），2020，37（1）：75-80.5 CANTILLO Angel，RAVEAU Sebastin，MUOZ Juan Carlos.Fare evasion on public transport：Who，when，where and how?J.Transportation research part a，2022，156（C）：285-295.6 HUANG S Z，SONG G Q，CHEN W，et al.Time series-based detection on tailgating fare evasions using human pose estimation J.Journal of transportation engineering，part a：systems，2022，148（7）：4022035.1-4022035.9.7 张子恒，肖建，王新宇，等.基于 MobileNet_SSD 的交通违章检测系统 J.计算机技术与发展，2021，31（11）：64-70.8 付世达.基于 SSD 模型的违规使用专用车道检测方法 D.长春：吉林大学，2020.9 高炎.基于车辆检测与跟踪的交通事件检测方法研究 D.杭州：浙江工业大学，2017.10 高静文，蔡永香，甘艺垚.运输车辆轨迹点数据清洗方法研究 J.电脑知识与技术，2019，15（36）：189-192.11刘虹.车辆轨迹数据清洗与质量评估的研究与应用D.呼和浩特：内蒙古大学，2021.12胡贺伟.基于时空大数据的轨迹相似度度量算法及应用D.北京：北京邮电大学，2021.13 李颖，赵莉，赵祥模，等.基于大货车 GPS 数据的轨迹相似性度量有效性研究 J.中国公路学报，2020，33（2）：146-157.14 张迅頔，白文娟，高寒，等.高速公路偷逃费稽查筛选方法研究 J.公路交通科技（应用技术版），2020，16（4）：311-315.15 胡波.四川高速集团通行费偷逃治理研究 D.成都：电子科技大学，2020.16 康晨傲.基于通行大数据的高速公路车辆异常行为挖掘的研究与应用 D.上海：东华大学，2020.作者简介：许天宇（1998），男，硕士研究生，研究方向为车联网与智能交通。韩振峰（1998），男，硕士研究生，研究方向为控制工程。（上接第22页）