基于行驶特征画像的高速公路车辆逃费风险神经网络预测模型.pdf

物联网技术 2023年/第8期 全面感知 Comprehensive Perception200 引 言目前，高速公路已经进入缓增期，收费还贷及车辆出行服务成为主要工作内容。在取消省界收费站工程完成后，跨省通行车辆在高速公路上单次出行会产生更大金额的通行费用，因此可能会出现更多的车辆偷逃通行费的现象。早期常见的逃费类型有：两车倒（换）卡、卸车头甩挂、计重货车“垫磅”“加轴”“顶轴”等。随着联网收费时代的到来，逃费方式逐渐趋向于集体化、隐蔽化，出现出入口车牌卡号不符、出入口车型车种不符、通行超时或短时、OBU 位移、车辆 U型和 J 型逃费、办理低类型通行证、假冒防疫物资和假冒集装箱运输等新型逃费方式1。据业内人士保守估计，一年因逃费而造成的损失，约占全国公路总收入的 1%，以交通部统计的 2020 年度全国收费公路通行费总收入 4 868.2 亿元为基数粗略估计，公路逃费的金额一年或达数十亿元之巨。如何预防和打击逃费行为，成为高速公路运营管理的重要任务。为解决这一难题，相关学者进行了研究。陈波2构建收费站车流量以及通行费预测系统，针对京珠南高速公路 2013 年某一周的收费数据采用时序算法对车流量进行预测，采用线性回归预测算法对通行费进行预测，再将预测情况与实际情况进行对比，实现对倒卡、换卡等 4 种逃费行为的识别。黄志军3首次将博弈论知识应用到逃费分析，分析产生逃费的动机和原因，从博弈分析的角度提出了加大处罚力度、更新设备等 6 条建议，并设计了一套逃费稽查系统，于 2006 年 3 月在粤北区域试运行；通过对疑似逃费数据的稽查和分析得出，该区域主要逃费方式是换牌车（入口挂民用车牌，出口挂军牌）。李松江等人4建立了基于 IGA-IBP 算法的逃费预测模型，对 2014 年的高速公路收费数据进行训练，准确率达到了 95.1%。向红艳等人5建立了基于 RF-LR 算法的逃费预测模型对逃费行为进行预测，其正确率为 91.74%。从 2020 年 1 月 1 日 0 时起，全国 487 个省界收费站全部取消，全网收费系统切换为分段计（收）费模式，其信息采集方式、内容均发生了较大变化。在新模式下，高速公路逃费稽查方法也应更新优化，而以上方法尚需在新模式下得到验证，故本文提出一种基于车辆单次行驶特征画像与神经网络的高速公路车辆逃费风险预测模型。本方法基于取消省界收费站后的收费体系对逃费预测方法进行更新，利用新模式下的收费数据特征集刻画车辆单次行驶特征画像，再利用神经网络模型对逃费行为进行预测，最后通过实验验证其准确性。本方法能在识别和预测逃费行为的同时，体现其逃费方式，便于稽查工作的开展。基于行驶特征画像的高速公路车辆逃费风险 神经网络预测模型宣淑敏1，张 波2，孙浩宇3，马 静2，王 磊4，靳引利1，田纪磊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.陕西蓝德智慧交通科技有限公司，陕西 西安 710000；4.陕西省高速公路收费中心，陕西 西安 710000）摘 要：为维护高速公路运营秩序，对逃费车辆进行精准稽查，提出一种基于车辆单次行驶特征画像的高速公路车辆逃费风险预测模型。先通过设计稽查判断特征集和稽查结果特征集来刻画车辆单次行驶特征画像，从车辆行驶路径、时间、费用等方面建立车辆行驶异常的约束条件，再建立 BP 神经网络算法进行训练。在利用神经网络建立高速公路车辆逃费风险预测模型时，对某交控集团稽查系统提供的 16 718 条稽查数据进行分析，该数据由车辆收费数据、单次行驶特征画像数据、稽查结果三部分组成，最终得到精确率为 90.784%的模型。与传统算法相比，该方法拥有较高的准确率。文中还进行了车辆单次行驶特征画像的研究，能在识别和预测逃费行为的同时，清晰了解车辆异常行驶特征，体现其逃费方式，为稽查系统提供有力证据。关键词：高速公路；逃费预测；车辆行驶特征画像；神经网络；特征选取；车辆稽查中图分类号：TP39；U491 文献标识码：A 文章编号：2095-1302（2023）08-0020-05收稿日期：2022-09-23 修回日期：2022-10-21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）DOI：10.16667/j.issn.2095-1302.2023.08.0062023年/第8期 物联网技术全面感知 Comprehensive Perception211 车辆单次行驶特征画像基于取消省界收费站后的新收费数据，计算分析车辆在路径、时间、费用等方面是否存在异常情况，显示其异常行驶方式，建立时空多维特征模型。绘制车辆单次行驶特征画像需要 3 个步骤：（1）先在众多高速公路收费数据特征中提取能够完整概括车辆行驶时空特征的典型字段；（2）根据以上特征字段从车辆行驶路径、时间、费用等方面判断车辆行驶是否存在异常；（3）将判断结果全部转换为字符串数据类型，合并为异常代码。由此可知，画像结果由 3 部分特征组成：一是直接从收费数据特征字段中提取的典型特征，二是分析得到的逃费行为特征，三是代表稽查结果的特征。1.1 车辆行驶典型特征提取高速公路收费系统存储了大量的车辆行驶数据，信息种类丰富，包含了静态、动态等多种信息属性，记录了车辆的通行信息、车辆特征以及收费站基本信息等。收费数据主要包括车道数据和门架数据两部分。其中，车道数据含有 217 个字段，门架数据含有 216 个字段，共 433 个特征字段。这些信息字段存储在 ETC 或 OBU 卡中，包含了较多内容，对于逃费车辆的识别并不是全部有效，这些冗余的数据对逃费车辆的识别反而是一种干扰，并且占据了大量的存储空间，在数据的处理过程中会有较大的影响，使得运行速度变慢，甚至导致结果误差等现象6。为了兼顾数据处理的速度和车辆行驶特征的全面刻画，保留收费数据中 49 个特征字段，覆盖了车辆行驶时间、空间、路径、介质、对象信息，见表 1 所列。表 1 车辆行驶重要特征集序 号字 段序 号字 段1PASSID26计费方式2入口车牌号码+颜色27OBU 车牌3入口车牌号码28CPU 卡内车牌24OUB/CPC 序号编码48最小费额路径25CPU 卡编码49最小费额路径单元数1.2 逃费行为特征分析1.2.1 基本特征稽查判断即匹配度分析是识别逃费车辆的重要一环。根据收费数据，从车辆行驶路径、时间、费用等各方面判断车辆行驶的特征是否异常，在表 1 所列行驶特征集的基础上提炼出 27 个二级特征，见表 2 所列。高速公路逃费手段逐渐增多，常见的有中途与对向行驶的车辆交换通行卡、跑大买小、倒挂换挂等。本文将从以上3 个方面，结合稽查判断字段，提出判断车辆是否逃费的方法。表 2 逃费行为基本特征序 号字 段序 号字 段50出入口车牌相似度64最小费额费用是否匹配51出入口车牌是否相同65最大门架超时时长52入口车牌颜色是否相同66是否门架行驶超时53OBU 车牌是否相同67最大超时门架区间54ETC 车牌是否相同68超时门架超时时间串55出入口车型是否相同69超时门架区间串56OBU 车型是否高于计费车型70超时区间速度串57是否采用最小费额计费71总行驶时长58是否出口轴数大于出口车型72是否最小费额路径超时59路径收费单元数占比73最小费额路径超时时长60路径是否完整74行驶路径类型61路径完整度75轴数与行驶里程数匹配62路径匹配度76信息完整度63门架费用是否匹配1.2.2 跑长买短部分逃费车辆中途与对向行驶的车辆交换 CPC 卡、ETC卡或 OBU，达到跑长途交短途的目的。我们可以通过对比出入口的车牌号、车牌颜色、OBU 车牌号、ETC 车牌号、车型来识别这种逃费行为。分析出入口的车牌号，以出口车牌号为参考标准，若出入口车牌号 100%完全相同，则在字段 51 判断为相同，否则判断为不相同；考虑到设备识别率的影响，在字段 50 输出出入口车牌号相似度的值。同理，也可对比出入口车牌颜色（字段 52）、OBU 车牌号（字段 53）、ETC 车牌号（字段 54）和车型（字段 55）。1.2.3 跑大买小我国高速公路针对不同车型有不同的收费标准7，部分车辆篡改通行卡内记录的车型数据，或由于收费员的工作失误1，导致出现跑大买小即缴费车型与实际车型不一致的现象，从而减少通行费金额。部分逃费的 ETC 车辆的 OBU 内记录的车型比实际车型小。通过判断 OBU 内车型是否高于出口车型来识别这种行为，并在字段 56 输出。另外，对车型在 11 15 和21 25 之间（即货车和专项作业车），且不是大件运输车，判断其出口轴数是否大于出口车型，并在字段 58 输出。物联网技术 2023年/第8期 全面感知 Comprehensive Perception221.2.4 倒挂换挂还有一种常见的逃费方式是中途倒挂换挂或者换货，他们在高速上长途行驶，但是最后在与入口收费站相近的收费站下高速，缴较少的通行费，或者在高速上往返多次，最后只缴一次的费用。其通行卡中的数据与出入口实际车型是一致的，则需要从路径、时间、费用等方面分析其行驶数据来识别这种逃费行为，如路径完整性与缺失情况（字段59 62）、费用匹配性（字段 63 64）、行驶超时情况（字段 65 73）、行驶路径类型（字段 74）、轴数与行驶里程数匹配情况（字段 75）等。1.3 画像特征码上述特征结果多为 int 型数据，在稽查结果中将其转换为 15 个 varchar 等字符串数据类型的特征（字段 77 91），见表 3 所列。用特定的字母表示特定的异常。表 3 画像特征码列序 号字 段序 号字 段77门架筛查代码86行驶时间高于 3 天78出入口匹配（车牌）87出入口匹配（车型）_排除拖挂79出入口匹配（车牌相同）88行驶时间异常代码80出入口匹配（车牌颜色）89费用对比异常代码81OBU 车牌匹配90路径类型异常情况82ETC 卡车牌匹配91信息完整性83出入口匹配（车型）92异常合并编码84出口轴数匹配（出口车型）93偷逃费类型判定85OBU 轴数匹配（出口车型）94偷逃费风险下面列举式（1）式（15），对稽查结果特征分别进行解释，其中 Ci表示特征对应的第 i 个字段。CCCCCCCC77616261626162909090909090=A,%,%B,%,%X,%,%Y,6 61629090%,%C （1）式中：A 表示路径正常；B 表示路径缺失严重；X 表示实际路径有多跑的可能性；Y 表示路径与最小费额路径不符。后续公式中字母所表示的异常将不一一说明。CCC7850508585=A,hV,hZ,aacaac （10）无法判断CCC87555501=A,M,Z,=（11）式中，taac为实际行驶时间。与 C83相比，C87排除了拖挂车出口车型大于入口车型的情况。无法判断CCCCCCCCC88667266726672667200101101=A,O,P,T,Z,（12）无法判断CCCCCc896364636400100=A,Q,R,Z,in （13）式中，cin表示省内实收费用。C90=A,C,D,E,Z,正常路径U 型路径J 型路径往复路径无法判断 （14）2023年/第8期 物联网技术全面感知 Comprehensive Perception23CCCCC9176767676905090205020=A,%Q,%R,%Z,%（15）异常合并编码（字段 92）为上述 15 个稽查结果字段的合并编码，例如：YAAAZAKUZAAPQE。对合并代码进行进一步分析。根据业务逻辑判定偷逃费类型（字段 93），具体的偷逃费类型见表 4 所示。基于神经网络模型预测得到偷逃费风险（字段 94），偷逃费风险为 0 到 100%之间的概率，概率越大说明逃费风险越大。表 4 主要偷逃费类型序 号偷逃费类型序 号偷逃费类型1车厢分离异常9恶意往复行驶2换卡逃费10恶意大车小标3屏蔽门架逃费11超时停留4行驶时长超 3 天12一车多卡（多签）5收费不符13一车多型6CPC 留卡14非法换货7假冒免费车辆15行驶路径确实（无入或无出）8U/J 型行驶16改换 OBU 设备由此，可以用一串画像特征码来表示一辆车单次行驶的综合情况，其格式如图 1 所示。图 1 画像特征码格式2 逃费风险辨识的神经网络模型神经网络可以解决特征集和结果的相似性判断问题，而本文需要分析研究车辆行驶特征与逃费判断结果之间的关联关系，符合神经网络所研究问题的特征。本研究在数据清洗的基础上建立 BP 神经网络模型，实现对车辆逃费风险的 预测。2.1 数据清洗原始收费数据来源于高速公路主线及收费站车道天线采集，在形成完整收费数据的过程中，由于网络的波动或者存储设备等原因导致了原始收费数据质量较低，通常会有数据缺失和数据错误的情况。对于数据缺失，常用的方法有均值插补、回归插补、极大似然估计等。针对特殊交通系统数据的填补，孙吉贵等人8提出了深度学习的填补方法。张赫等人9针对缺失检测器的交叉口流量，利用交通流相关性理论进行预测，给出一种有效的数据恢复的方法。数据错误是指收费系统识别的数据与真实情况不符，根据实际情况分析错误值产生的原因进行纠正或删除，使其成为有效数值，提高数据的价值。储浩等人10针对动态交通数据，以移动平均方法清洗其中的噪声数据。张俊涛等人11将车辆 GPS 轨迹数据的异常值进行分类归纳，并使用对应的处理方法进行纠正。数据清洗是后续进行风险评测的基础，对结果有重要的影响。2.2 BP 神经网络模型BP（Back Propagation）神 经 网 络 是 1986 年 由 以Rumelhart 和 McClelland 为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，由输入层、隐含层和输出层组成，是应用最广泛的神经网络模型之一，具有非线性映射能力、泛化能力与容错能力，用于函数逼近、模型识别分类、数据压缩和时间序列预测等。高速公路逃费方式多样，数据表现形式复杂，BP 神经网络作为一个非线性系统，可用于逼近非线性映射关系或一个极为复杂的函数关系，是一种预测逃费风险等复杂问题的较好方法，其拓扑结构如图 2 所示。其中：输入层神经元 15 个，X1,X2,.,X15分别表示 C77至 C91共 15 个特征字段；输出层神经元 1 个，Y 表示逃费风险概率；隐藏层 2 层，第一层神经元 10 个，第二层 5 个，bji表示第 j 层隐藏层第 i 个神 经元。图 2 BP 神经网络结构激活函数的主要作用是加入非线性因素，以解决线性模型表达能力不足的问题。因为神经网络要求在数学上处处可微，所以所选取的激活函数要求其输入和输出也都是可微的。在神经网络中常用的激活函数有 Sigmoid、tanh、ReLU 和softmax 等。为了方便稽查人员评判风险程度，模型的结果输出需要一个 0 100%之间的值，而 Sigmoid 的输出正好是在 0 1 之间，故选择 Sigmoid 函数作为 BP 神经网络的激活函数，如式（16）所示，其函数图像如图 3 所示。Sigmoidexx()=+11 （16）物联网技术 2023年/第8期 全面感知 Comprehensive Perception24图 3 Sigmoid 函数图像由于采用 Sigmoid 函数作为激活函数，输入值和目标值均不可太大或者太小，否则会使梯度失效。归一化是要把需要处理的数据限制在一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快，具体作用是归纳统一样本的统计分布性。常用归一化方法有 3种：线性归一化、标准差归一化和非线性归一化。根据数据实际情况，本文采用线性归一化方法对数据进行归一化 处理。3 实验与分析3.1 数据来源神经网络的训练数据集主要由 3 部分组成，分别为：某集团稽查系统提供的从 2021 年 6 月到 2022 年 1 月的稽查车辆结果数据、该部分车辆的收费数据、本项目的车辆单次画像数据。该数据集一共 16 718 条，其中判定为异常的数据有6 096 条，判定为正常车的数据有 10 622 条。这里对异常的数据进行了过采样，并将测试集和训练集按 3 7 进行拆分。3.2 实验过程和处理采用 11th Gen Intel（R）Core（TM）i7-11800H 2.30 GHz 处理器、16 GB 内存进行特征处理，处理过程如图 4 所示。图 4 特征处理流程采用 Python3.7.13 版本，在 PyCharm 平台上建立并训练BP 神经网络模型，训练过程的主要步骤如图 5 所示。3.3 实验结果分析最大迭代次数 100 次，batch 大小为 64，每次迭代用时 1.5 s，得到表 5 所列的预测结果。其中，TP（真正）是将正类预测为正类数，TN（真负）是将负类预测为负类数，FP（假正）是将负类预测为正类误报数，FN（假负）将正类预测为负类的误报数。得到的精确率（P）、准确率（ACC）、召回率（R）、F1 指标结果见表 6 所列。其中 F1 值综合考虑了精确率和召回率，计算公式为：F12=+PRPR （17）图 5 神经网络训练过程表 5 预测结果实 际逃费 1未逃费 0预测逃费 1TP=2 827FP=287未逃费 0FN=360TN=1 542表 6 各项指标结果指 标精确率 P/%准确率 ACC/%召回率 R/%F1/%结 果90.78487.10188.70489.7324 结 语本文依据车辆收费数据提出一种基于车辆单次画像与神经网络的高速公路车辆逃费风险预测模型。由稽查判断特征集和稽查结果特征集来刻画车辆单次行驶画像，从车辆行驶路径、时间、费用等方面描述了车辆行驶特征，根据画像结果并结合 BP 神经网络算法进行训练。实验结果表明，与传统算法相比，本方法拥有较高的准确率。文中还进行了车辆单次行驶特征画像的研究，本文方法能在识别和预测逃费行为的同时，清晰了解车辆异常行驶特征，体现其逃费方式，为稽查系统提供有力证据，方便稽查工作的开展。当然，由于逃费手段不断新增，因此在今后的应用中还应不断地更新稽查判断特征集和稽查结果特征集，从方法上设计具有自动扩展逃费模式的对抗网络模型，提高对逃费车辆预测的准确度。注：本文通讯作者为靳引利。（下转第28页）物联网技术 2023年/第8期 全面感知 Comprehensive Perception28面板等。其中设备面板可采用云平台提供的公版 APP 控制产品，用户可自己编辑 APP 界面，应用到用户手机界面中；根据“设备调试”选择阿里云认证的模组，这里要注意选择可替代 ESP8266 的模组（2G 模组），通过“新增测试设备”步骤后，在“批量投产”的“配网+APP 下载二维码”下输入新增的设备名称，就可以生成“APP 下载二维码”，在手机云智能中扫描生成的二维码，就快速实现了本项目的 APP应用界面；在手机端查看数据，或通过控件下发其他参数命令。图 6 是手机 APP 接收数据的应用界面，其中显示接收当前测试的两个终端节点的数据；图 7 是中心节点实际运行 状态。图 6 手机端接收数据 图 7 中心节点实际运行状态5 结 语飞燕平台是阿里云平台的行业应用平台，非常适用于快速实现“设备-云-APP”的完整应用。本系统设计采用LoRa 采集多点温度数据，并用 WiFi 模块以 MQTT 协议连接飞燕平台，实现远程数据传输至云平台，完整实现了远程多点温度测量系统。实际测试结果表明，系统运行可靠，具有较好的实用性，在手机 APP 端也可以添加控件，用来下发控制参数等指令数据，增加中心节点对温度数据超温的报警提示功能。系统在中心节点主流程中，预留了进一步拓展应用的基础，包括命令接收与参数存储、数据比较与报警状态上传等，为进一步拓展丰富的应用功能提供可行性。本系统完成了多点数据采集，并与云平台建立连接实现了数据远程传输，为进一步的应用和研究打下良好的基础。参考文献1 薛义鹏，陈鑫，孙馨瑶，等.基于 STM32 和阿里云的棉纺车间环境温湿度监测系统 J.自动化与仪表，2022，37（8）：67-70.2 任志敏，张良.基于阿里云的低功耗无线数据采集系统设计 J.物联网技术，2021，11（12）：12-15.3 王伟，田国瑞，常彦文.基于 LoRa 通信的可视化城市照明系统设计 J.北京石油化工学院学报，2021，29（3）：44-49.4 杨新华，郑越，马建立，等.基于 LoRa 的电力物联网智能终端采集系统设计 J.传感器与微系统，2022，41（1）：123-126.5 胡祥翱，董冲，方挺，等.基于 LoRa 传输的高精度水温差监测系统 J.常州工学院学报，2022，35（1）：46-51.6 倪威，姜涛，蒋中海.基于 Lora 的变电站物联网系统设计及应用J.上海电力大学学报，2022，38（3）：274-279.7 闫施锦，陈淼，刘静波.基于 OneNET 的多模式远程控制开关系统设计 J.物联网技术，2022，12（2）：36-40.8 刘静琦，阮煜婕，吴胜，等.基于 WiFi 智能小车的远程温湿度测量系统 J.物联网技术，2021，11（12）：36-39.9 郭书军.ARM Cortex-M3 系统设计与实现-STM32 基础篇 M.北京：电子工业出版社，2019.10 游国栋.STM32 微控制器原理与应用 M.西安：西安电子科技大学出版社，2020.作者简介：苏格诺（2002），女，江苏徐州人，就读于南京工程学院信息与通信工程学院，研究方向为电子技术。参考文献1 郑再超，张萌，杨茜茜.高速公路逃缴通行费问题及治理方法研究综述 J.内蒙古公路与运输，2021，46（5）：59-62.2 陈波.数据挖掘在高速公路防逃费中的应用研究 D.广州：华南理工大学，2014.3 黄志军.高速公路联网收费系统防逃费研究与实现 D.长沙：中南大学，2010.4 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）：3840-3845.5 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）：75-80.6 HUANG H.Anomalous behavior detection in single-trajectory data J.International journal of geographical information science，2015，29（12）：2075-2094.7 桑美英.高速公路货车收费标准改革实施效果评估研究 J.价格理论与实践，2021，41（10）：45-48.8 孙吉贵，刘杰，赵连宇.聚类算法研究 J.软件学报，2008，19（1）：48-61.9 张赫，杨兆升，李贻武.无检测器交叉口交通流量预测方法综合研究 J.公路交通科技，2002，19（1）：91-95.10 储浩，杨晓光，吴志周.动态交通数据的预处理方法及应用 C/第一届中国智能交通年会论文集.上海：科学技术部全国智能运输系统协调指导小组办公室，2005.11 张俊涛，武芳，张浩.利用出租车轨迹数据挖掘城市居民出行特征 J.地理与地理信息科学，2015，31（6）：104-108.作者简介：宣淑敏（1998），硕士研究生，研究方向为智能交通控制系统。靳引利（1972），博士，教授，研究方向为智慧公路系统及运营等。（上接第24页）