基于通行异常行为的高速公路车辆信用度评价模型与算法研究

0 引言

随着高速公路联网规模的不断扩大，行车距离越来越远，对通过路网的车辆（尤其货车等重载车辆）单次收费金额也越来越大，随之而来的是利用各种作弊手段[1-6]逃费的车辆数的增加，因此逃费稽查越来越受到高速公路稽查部门的重视。目前，稽查部门主要以人工审核的方式综合分析高速公路收费后台数据，从而查获逃费车辆。这种工作模式效率极为低下，漏判、误判重要逃费线索数据时有发生。为了充分挖掘通行数据中的信息价值，提高稽查部门的工作效率，高速公路管理部门迫切需要利用新技术来提升逃费稽查水平。

想要对农作物的产量进行有效地提升，那么就一定要做好相关的施肥管理工作，进行科学合理的施肥。对于那些比较敏感的农作物，一定要小心谨慎的进行施肥，选择适当的肥料，进而对其生长质量进行有效地提升。同时还要注意肥料的使用量，切记不能进行过度施肥。

目前，国际上有关防逃费方面的研究有：Delbosc等[7]采用聚类分析法对逃费行为展开研究；Guarda等[8]、Troncoso等[9]针对高频的公交逃费问题，通过负二项式回归模型发现了导致逃费率增加的几个关键因素，并提出规避逃费问题的五种方法；Jankowski[10]利用博弈论对逃费的动机进行了分析，并指出不同博弈参与者的利益动机，同时从博弈角度给出了一些防逃费建议。在国内，关于防逃费的研究主要有：刁洪祥等[11-14]，刘勇等[15]采用聚类分析法、决策树和神经网络算法对联网收费数据进行建模和分析逃费车辆，并提出了部分防逃费措施，但其研究基本停留在理论阶段，尚未应用到逃费稽查中；赵彦等[16]采用聚类分析、判别分析和逻辑回归分析相结合的方法，构建了通行卡逃费行为预测模型，但该模型对非超时逃费行为的识别能力不足；张晓航[17]提出使用数据挖掘工具WEAK实现对车牌不符、变档等部分逃费行为的稽查。从实际应用来看，这些方法存在数据收集困难、准确性较低、实际应用难度高等问题。

随着高速公路大数据系统的形成，如何直接从车辆通行数据中挖掘出逃费车辆，对逃费稽查的实际应用具有重要意义。为此，笔者将基于浙江省某高速公路近三年的通行历史数据，结合稽查部门的逃费车辆历史记录，分析逃费行为发生时可能出现的各种异常通行行为，提出用于评判车辆逃费可疑程度的车辆通行信用度评价指标，给出计算该指标的多属性效用模型，并利用BP神经网络算法对该模型进行改进，最后对结果的适用性和准确度加以验证。

GB 50157—2013《地铁设计规范》8.3.10条给出了地铁站台突发事故逃生疏散时间的计算公式：

1 车辆通行异常行为分析

高速公路通行费计算方法是根据车辆在高速公路的出入信息和路径信息，查找对应车型在所经过路段的基本费额，考虑车辆重量等因素，分别乘以对应的通行里程，最后汇总相加得出该车通行的总费额。据此，车辆可能通过缩短里程或改变车型两种方式实现通行费的偷逃。通过对稽查过程调研和已有偷逃车辆通行数据的分析，现归纳出11种典型的车辆通行异常行为，如表1所示。

 

表1 车辆逃费时可能出现的异常行为

  

序号1 2 3 4 5 6 7 8 9 1 0异常类别通行卡中无标志站短途重载11长途轻载通行路径异常车型不符进出站车牌不一致通行时间超短通行时间重叠超重的次数轴型不符短时间掉头描述经过标志站但卡中无标志站里程小于30km；总重大于空车重量与核定载重的80%里程大于100km；总重小于空车重量或核定重载的30%卡中标志站与实际经过的标志站不一致同一车牌属于两种车型以上通行卡中的车牌与出口所识别车牌相似度过低前后两条通行记录车速超过120km/h两次通行记录出现时间重叠出现超重率100%的次数同一车牌共属两种轴型以上5min内从同一收费站驶入并驶出

以上11种异常行为对判断车辆是否存在逃费行为提供了非常有价值的依据，异常出现次数越多，逃费的可能性就越大。基于此，本文将逃费稽查看作一个考虑多个评价属性的决策性问题，构建以11种异常出现次数为评价属性的车辆信用度评价模型。利用该模型计算得到每辆车的信用度值，并据此判断车辆逃费可疑度的大小，即信用度值越小，则出现逃费行为的可能性就越大。在实际应用时，可考虑将信用值较小的车辆提供给稽查部门，从而提升人工稽查的效率和准确度。

2 基于多属性效用模型的车辆信用度评价

2.1 车辆信用度

为了有效地甄别最有可能偷逃通行费的车辆，本文提出对每一辆车建立信用度的概念。该信用度仅用于对车辆在高速公路通行中出现各种异常情况的度量。信用度的取值范围为0～100分，其中100分为信用度满分，表示基本未出现过异常；0分是最差值，表示所有类别的异常出现次数都最多。车辆初始信用度值均为100分，根据出现异常的类别及次数，该值将逐步降低。

铜仁市年平均温度为13.7摄氏度(万山区)～17.7摄氏度(沿河县)之间，≥12摄氏度积温为3 557摄氏度·天～5 343摄氏度·天，无霜期270天(万山区)～308天(思南县)，秋收作物主要生育期热量相当丰富。就铜仁花生主产区来说，4月上旬平均气温为12.1～15.8摄氏度，已符合下种条件。从地温看，铜仁花生主要生产区大部4月上旬5厘米深处平均地温已接近或达15摄氏度，也说明4月上旬适合播种，其他地区已同样具备条件。但是多年实践证明，铜仁花生4月中旬播种产量稳定偏高，农业上一般掌握在清明后和谷雨之间雨后晴的日子播种，下种时要求最少连续6～7天的地温超过12摄氏度。

2.2 车辆信用度计算

以车辆信用度作为衡量车辆逃费可疑程度的量化指标，其计算可以看作是一个基于车辆异常行为出现次数的多属性效用模型的决策问题，即考虑车辆的11种异常行为出现次数及其重要程度，通过某种计算模型，得到定量的综合评估值。本文采用基于加权平均的多属性效用模型进行车辆信用度计算，具体采用扣分的方式进行。首先，计算各类异常下每辆车的扣分情况，异常越多，扣分越多，最多扣100分；然后，将所有异常类型的扣分进行加权平均，得到对应车辆的总扣分；最后，用100分减去总扣分，即得到车辆的最终信用度值，计算方法为：

 

本文效用函数的构建思路是：首先找出各类异常的平均出现次数，然后估计出最大可能出现次数，最后利用归一化处理将效用值统一到0～100之间，具体按下式计算：

2.3 信用度评价模型构建

从式（1）可以看出，信用度评价模型的构建可分为两个步骤：

（1）确定每类异常的权值；

现取Li=11，Lo=1，经过多次仿真实验发现，当α=3，即隐含层节点数为7时，模型的准确率最高。

目前已有很多理论和方法用于确定权值，比如主观赋值法、客观赋值法和机器学习法等。本文通过对稽查人员的问卷调查、统计分析和多次试验，得到相应的权值。鉴于各类异常出现的次数虽然差别很大，但其效用函数基本相同，同时由于信用度的定义区间为[0,100]，而异常次数的取值可能会超过100，故需要对异常出现次数进行预处理，将数据归一化到0～100范围内，否则可能出现信用度值为负的情况，这是没有意义的。

式（1）中：C为车辆信用度（分）；wi为第i类异常的权重值；xi为第i类异常出现的次数（次）；f(xi)为第i类异常出现次数的效用函数。

2.2.5 不同仪器对fs/i的影响 考察了Agilent 1200（A1#）、Agilent 1200（A2#）和Waters型3种高效液相色谱系统对各成分fs/i的影响，结果（表6）各成分fs/i的RSD依次为0.62%、1.52%、0.61%、2.47%、2.20%、0.88%、2.11%、3.24%和1.37%，表明不同仪器对各成分fs/i无显著影响。

 

式（2）中：Xiavg为第i类异常的平均次数（次）；Ximax为第i类异常的最大次数（次）；f(xi)与xi的意义同式（1）。

2.4 模型准确率验证

经过之前几个部分的研究发现，尽管库伦摩擦模型所展示后峰值阶段并不具有太多实际意义，但是应用该模型来模拟前峰值阶段和峰值阶段还是合理和有意义的。于是，在接下来的研究中，采用了几种不同的直根模型，来研究几何方面的变化会对直根的抗拔强度有何影响[4]。

 

表2 车辆的通行异常行为数据与信用度值

  

车牌苏EY0****浙DJ****浙F2****浙F3****鲁QV****浙FJ****浙A5****沪B7****浙A2****苏BF****x1 x6x7 x10x11 39 234 0 25 0 1 121 1 2 22 693 37 585 0 67 52480 4 1 2 141167 1781580 0 0 2 6 101793 0 68 0 341 17 1 4 0 11644 0 70 0 0 238 0 160 6 771 0 70 10 0 346 3 103 3 313 8 71 1 0 0 12 0 08 7 244 0 72 0 3 0 0 3 118 12 937 0 72 0011402106603073 x2 0 x4 9 1316 x8 5 x9 x3 0 x5 1 信用度/分65…… … … … … … … … … … … …

面对海量的车辆数据，不可能对每辆信用度值较低的车辆进行稽查。为了尽快发现有问题的车辆，将信用度最低的200辆车的信息提供给稽查部门进行稽查，最终发现实际存在问题的车辆有30辆，其中19辆车曾被稽查过（新发现的问题车辆为11辆），另外还有35辆车无确凿证据，其余为正常车辆，模型正确率约为33%。可见，所建模型虽然准确率不高，但对逃费稽查工作还是有一定帮助的，可在一定程度上减少人工稽查的工作量，起到辅助稽查的作用。这同时说明本文提出的方法是正确的，也表明车辆通行异常数据与逃费行为之间的确存在一定的对应关系。

（1）线性模型过于简单，无法准确地表示异常行为次数与车辆信用度值之间的关系；

分析发现，多属性效用模型正确率不高的原因在于：

（2）权重值分配不合理，权值的确定存在很大的主观性；

（3）线性效用函数可能不够准确。

为了提高信用度计算的准确度，下面在线性模型的基础上利用BP神经网络的自学习功能对模型进行改进。

3 基于BP神经网络的改进车辆信用度评价模型

BP神经网络是使用最广泛的一种神经网络模型之一，它利用梯度下降算法，使权值沿着误差函数的负梯度方向改变，以期使网络的实际输出与期望输出的均方差最小化。由于BP神经网络算法能够自主学习出一组具有代表性的权值和阈值，且具有良好的非线性逼近能力，故选用BP神经网络算法对多属性效用模型进行改进。BP神经网络的设计主要包括网络层数（主要指隐含层层数）、各层节点数、传递函数、权值等，具体过程如下。

为了验证模型的适用性和有效性，本文基于浙江省某高速公路公司2015—2017年的通行数据，分析得到约3×107辆车的通行异常行为数据，接着利用前文给出的方法计算得出所有车辆的信用度值。部分车辆通行异常行为数据与信用度值如表2所示。表中的异常行为次数是根据高速公路车辆通行流水数据分析所得，比如车辆进出站车牌不一致，根据收费系统中车辆进出站的车牌，对比其相似度，相似度值大于或等于某个设定值，则认为车牌是一致的，否则便不一致，对应类型的异常次数加1。

3.1 神经网络结构的确定

束发怀耿介。逐物遂推迁。违志似如昨。二纪及兹年。缁磷谢清旷。疲薾惭贞坚。拙疾相倚薄。还得静者便。剖竹守沧海。枉帆过旧山。山行穷登顿。水涉尽洄沿。岩峭岭稠叠。洲萦渚连绵。白云抱幽石。绿筱媚清涟。葺宇临回江。筑观基曾巅。挥手告乡曲。三载期归旋。且为树枌槚。无令孤愿言。[12](卷二六《过始宁墅》，P1239)

输入层的节点数应等于输入向量的分量数目。本文所建信用度模型的输入量为车辆的11种异常行为特征，故输入层节点数为11。输出层节点则由信用度决定，故确定输出层节点数为1。

BP神经网络通常分输入层、输出层和隐含层，其中隐含层可以为一层或多层。本文选择最典型的三层BP神经网络，即隐含层为一层。BP神经网络的传递函数是Sigmoid函数。

虽然增加隐含层层数可以降低网络误差，提高精度，但也会使网络复杂化，延长网络训练时间，甚至出现“过拟合”的倾向，故隐含层节点数的确定对于模型可用性非常关键。根据专家和学者的经验[18]，隐含层节点数Lh可按下式计算：

 

式（3）中：Li和Lo分别为神经网络输入层和输出层的节点数（个）；α为0～10之间的常数。

“药学研究的每一份付出，都能为百姓生命健康带来一丝希望。”王逸平曾说，他生前最大愿望是做出“世界各地临床医生首选的新药”。

（2）确定每类异常出现次数的效用函数。

综合以上，本文BP神经网络结构确定为：输入层节点数为11，中间层节点数为7，输出层节点数为1，其拓扑结构如图1所示。

  

图1 用于计算车辆信用度的BP神经网络拓扑结构

 

注：图中x1～x11分别对应表1中异常类别出现的次数，如x1表示异常类别1即通行卡中无标志站出现的次数；y表示信用度。

3.2 初始权值的确定

一般情况下，初始权值要足够小才有利于模型的训练。在神经网络中，如果简单地将权值矩阵初始化为零矩阵，将会导致隐含层的每个单元相等。为了让学习更有效率，一般将该矩阵初始化在区间[-ε,ε]内。初始权值按下式计算：

很久之后，我给这个故事添了一个圆满的结局，黄玲当年身无分文来到这个城市之后，林全给了她很多帮助，她也自然以身相许。但她不是那种安于现状又知足的人，她遇到比林全更有能力的人，却没有足够的理由能和他分手，又不想背上忘恩负义的骂名，所以，我就成了她的一颗棋子。

 

式（4）中：ε是取值为0～1的数；Θ为1×12的权值矩阵，且矩阵中的每个单元取值均在区间[-ε,ε]内；Li和Lo意义同前。

3.3 学习速率的确定

学习速率决定每次训练所产生权值的变化量，过大的学习速率可能导致系统不稳定；否则，又会导致较长的训练时间。为保证系统的稳定性，学习速率通常取值偏小，在0.01～0.7之间，本文取0.01。

4 预测结果分析

为了验证经BP神经网络算法改进后的多属性效用模型的准确率是否有所提升，本文基于多属性效用模型计算出的信用度值，根据人工评价和以往稽查数据对部分样本输出数据加以调整，作为BP神经网络的输入数据进行网络学习。将样本数据的80%作为训练集，10%作为验证集，剩余的10%作为测试集，使用Matlab神经网络工具箱完成模型的建立与仿真。为了找出所训练多个模型中的效果最佳者，使用各个模型对验证集数据进行预测，并记录模型的准确率。接着，采用效果最佳模型所对应的参数来调整模型参数。待模型训练完成后，利用其测试样本中的车辆进行信用度预测。部分测试数据的预测输出和预测误差如图2和图3所示。

  

图2 模型预测输出与期望输出图

  

图3 模型信用度预测误差曲线

选取全量数据进行测试，仿真结果显示模型的误差约为3，即该模型预测所得车辆信用度值误差为3分左右，显然该精度能够满足应用要求。

首先，对全区教师进行培训，统一认识。让教师们充分认识到阅读的重要性。学生的阅读能力提高了，不仅对学习语文学科有帮助，对学习其他学科也大有裨益。阅读能力越强，意味着记忆力和理解力越出色，学习力越强，越有利于学生的终身可持续发展。

BP神经网络学习完成后，本文对近3×107条车辆通行异常行为数据重新进行计算，得到每辆车新的信用度值。然后，将信用度最低的200辆车提供给稽查部门进行稽查，最终发现实际存在问题的车辆有91辆，其中32辆车曾经已被稽查过（新发现的问题车辆为59辆），另外还有43辆车无确凿证据，其余为正常车辆，整体正确率为67%左右，取得了令人满意的效果。

与多属性效用模型相比，BP神经网络模型的稽查正确率从33%提升至67%，而且省去了复杂的权重确定过程，另外有效的学习能力使其具有较好的适应性，对提升高速公路稽查水平具有很大帮助。

5 结语

本文提出了以车辆信用度作为衡量逃费可疑度的量化指标，给出了基于BP神经网络模型的车辆信用度计算方法。该研究成果已实际应用于浙江省某高速公路公司，取得了较好的效果。稽查部门根据模型给出的信用度值，实现了对逃费可疑车辆的精准稽查，降低了工作强度。不过，本文提出的模型对于没有在收费系统中留下逃费痕迹的逃费行为不具备稽查能力，在下一步研究中，将提升算法的自学习能力，降低算法对样本的依赖程度，例如可考虑深度学习等算法；采用模糊数学模型实现对车辆信用度的评价，有效降低对异常行为次数值的依赖，使模型的准确率更高。

参考文献

[1]张友权.浅谈高速公路车辆逃费的主要方式及其应对策略[J].北方交通，2011（8）：66-68.

[2]杨伟明.高速公路联网收费逃费作弊情况分析及其对策[J].中国高新技术企业，2007（15）：144-147.

[3]杨淑芹.联网收费防止利用通行卡逃漏费的途径和有效措施[J].交通世界（运输·车辆），2005（11）：51-53.

[4]潘亮华.高速公路逃费手段及防治办法[J].中国交通信息化，2011（2）：99-100.

[5]韩慧英.高速公路逃费探源[J].安全与健康，2005（22）：10.

[6]唐州生.高速公路车辆偷逃通行费的原因及应对措施[J].西部交通科技，2011（3）：70-73.

[7]DELBOSC A,CURRIE G.Cluster Analysis of Fare Evasion Behaviours in Melbourne,Australia[J].Transport Policy,2016,50:29-36.

[8]GUARDA P,GALILEA P,PAGET-SEEKINGS L,et al.What is Behind Fare Evasion in Urban Bus Systems?An Econometric Approach[J].Transportation Research Part A:Policy&Practice,2016,84:55-71.

[9]TRONCOSO R,GRANGEE L D.Fare Evasion in Public Transport A:Time Series Approach[J].Transportation Re⁃search Part A:Policy&Practice,2017,100:311-318.

[10]JANKOWSKI W B.Fare Evasion and Noncompliance:A Game Theoretical Approach[J].International Journal of Transport Economics,1991,18(3):275-287.

[11]刁洪祥.ETC系统客户数据异常检测方法的研究[D].长沙：长沙理工大学，2004.

[12]刁洪祥.基于模糊C-均值聚类的ETC系统客户的逃费分析研究[J].企业技术开发，2005（10）：8-10.

[13]刁洪祥.基于稳定遗传神经网络的ETC系统客户逃费分析[J].电脑与信息技术，2006（4）：16-19.

[14]刁洪祥，刘伟铭.基于BP神经网络的ETC系统客户的流失分析研究[J].企业技术开发，2006（9）：34-36.

[15]刘勇，刁洪祥，刘伟铭.基于改进的模糊决策树ETC系统客户欺诈分析研究[J].交通与计算机，2006（2）：1-4.

[16]赵彦，吴淑玲，林志恒，等.高速公路通行卡逃费行为预测模型研究[J].中国科技论文，2015,10（19）：2245-2251.

[17]张晓航.高速公路联网收费稽查管理应用研究[D].西安：长安大学,2010.

[18]王小川.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.