基于BP神經(jīng)網(wǎng)絡(luò)的高速逃費監(jiān)測系統(tǒng)

(國研網(wǎng)成都分公司，四川 成都 610056)

0 引言

2018年1月，中共中央、國務(wù)院發(fā)出《關(guān)于開展掃黑除惡專項斗爭的通知》。近來年，高速公路運輸在國民經(jīng)濟的地位越來越明顯。但同時，高速公路運營管理中暴露的新情況、新問題也逐年增多，特別是偷逃通行費問題，不但給國家?guī)斫?jīng)濟損失，而且給正常的運營秩序帶來較大的沖擊。高速公路打逃工作是交通領(lǐng)域掃黑除惡一項重要工作，也是高速公路企業(yè)提升管理精細化水平、挽回經(jīng)濟損失的內(nèi)在要求。

現(xiàn)階段，高速抓逃的主要手段是依靠人工的經(jīng)驗來進行高速抓逃，而這種方式效率低下，準(zhǔn)確率較低。并且抓逃范圍僅限于稽核人員當(dāng)前所處的收費站，很難以達到全路網(wǎng)范圍內(nèi)的精準(zhǔn)打逃。

隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)挖掘技術(shù)得到了飛速的發(fā)展，越來越多的數(shù)據(jù)挖掘技術(shù)被用于實際工作和生活中。筆者基于BP神經(jīng)網(wǎng)絡(luò)框架基礎(chǔ)上，對海量通行數(shù)據(jù)進行人工智能的數(shù)據(jù)挖掘，并結(jié)合高速公路實際的管理方法，以達到精準(zhǔn)預(yù)測、精準(zhǔn)定位的最終目標(biāo)。

1 高速逃費分析

基于現(xiàn)階段的收費策略，影響高速車輛收費金額的關(guān)鍵因素有：

1)行駛里程數(shù)：即入口收費站與出口收費站之間的里程。

2)車輛載重：主要是針對于貨車而言，主要是依據(jù)車輛的軸數(shù)與載重來進行高速費用。

3)車型：主要是針對于客車而言，計算的通行費用不同，此時關(guān)鍵數(shù)據(jù)為客車車型。

4)是否屬于免費車。

很多逃費行為都是從以上幾個方面來偽造和非法更改關(guān)鍵數(shù)據(jù)等而達到逃費的目的。

1.1 高速逃費行為

1)倒卡(換卡)逃費：通過倒卡(換卡)等逃費手段，來減少實際里程數(shù)，從而達到逃費目的，具體逃費行為有。

(1)單車循環(huán)留置倒卡。指車輛出站時謊稱卡丟失，收費員按無卡程序操作后，駕駛員手中留置通行卡一張，第二次通行時入口正常領(lǐng)卡，用第一張卡就入口站近下，如此循環(huán)。

(2)套牌(或無牌)車換卡。車主一般擁有兩輛以上同顏色、同型號的車輛，從不法分子手中購買假牌照和假行駛證，使每輛車都用兩套甚至多套相同手續(xù)的車牌照。在行駛高速公路時，其中兩輛車分頭對發(fā)，在中途互換通行卡，并換上與通行卡讀取信息中對應(yīng)的車牌號，然后分別從對方入口時較近的收費站下高速，以達到逃交通行費的目的。

(3)變相倒卡。有兩種情況：一種是甩掛，即當(dāng)貨車進入服務(wù)區(qū)后，司機將車廂放在服務(wù)區(qū)，然后駕駛車頭在就近的收費站下高速后再領(lǐng)卡上來。到服務(wù)區(qū)拉上車廂到相鄰的收費站下，縮短繳費距離；一種是在臨近收費站的服務(wù)區(qū)卸貨或倒貨，減少遠途載重車輛超限重量。

(4)專車送卡。限超車接近目的地時聯(lián)系一輛空車上路送卡、交換，持交換卡來出站以此逃費。

2)UJ型線路逃費：通過該方式來改變車輛的實際里程數(shù)和載重數(shù)，從而達到逃費目的。

3)假軸逃費：按照高速貨車相關(guān)收費標(biāo)準(zhǔn)，貨車的收費與其核定載重有一定的關(guān)系。當(dāng)載重超過限載時，通行費的單價將成倍增加，而貨車軸數(shù)越大，其限載也就越大；貨車為了避免支付超載帶來的高額費用，以增加假軸的方式，從而達到逃費目的。

4)換貨逃費：貨車在出站前，將貨物提前轉(zhuǎn)移到從出站口附近上來接應(yīng)的車，然后輕車出站以達到逃費的目的。

1.2 打逃方式現(xiàn)狀

對于高速公路逃費行為，現(xiàn)場稽查人員常采用人工稽查方式，根據(jù)一線人員的經(jīng)驗來識別、打擊車輛的逃費行為[1-4]，而該方式效率低，并且在準(zhǔn)確性上也比較低，不能做到逐條檢測。

神經(jīng)網(wǎng)絡(luò)是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)，具有自學(xué)習(xí)的優(yōu)點，而自學(xué)習(xí)能力對于預(yù)測有著特別重要的意義。因此，通過構(gòu)建神經(jīng)網(wǎng)絡(luò)，使機器具有學(xué)習(xí)能力，智能識別逃費車輛，打擊高速逃費行為。

1.3 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢

高速打逃可以歸結(jié)為尋找車輛通行記錄與車輛逃費之間的映射關(guān)系，根據(jù)該車輛的通行記錄來判斷車輛是否存在逃費行為。

神經(jīng)網(wǎng)絡(luò)利用現(xiàn)有的數(shù)據(jù)找出輸入與輸出之間得映射關(guān)系(近似)，利用這種映射關(guān)系(近似)，輸出結(jié)果。BP神經(jīng)網(wǎng)絡(luò)作為目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)無論在網(wǎng)絡(luò)理論還是在性能方面已比較成熟。其突出優(yōu)點就是具有很強的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)的中間層數(shù)、各層的神經(jīng)元個數(shù)可根據(jù)具體情況任意設(shè)定，并且隨著結(jié)構(gòu)的差異其性能也有所不同。

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播(簡稱誤差反傳)訓(xùn)練的多層前饋網(wǎng)絡(luò)，其算法稱為BP算法，它的基本思想是梯度下降法，利用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實際輸出值和期望輸出值的誤差均方差為最小。BP神經(jīng)網(wǎng)絡(luò)的算法框架如圖1所示，算法框架包括：輸入層、隱藏層以及輸出層；

圖1 BP神經(jīng)網(wǎng)絡(luò)

BP算法包括信號的前向傳播和誤差的反向傳播兩個過程。即①計算誤差輸出時按從輸入層到輸出層的方向進行。②而調(diào)整權(quán)值和閾值則從輸出層到輸入層的方向進行。

(1)

(2)

Lt=f(y，Ot)

(3)

(4)

此時經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息。

3 BP神經(jīng)網(wǎng)絡(luò)搭建

3.1 數(shù)據(jù)集

BP神經(jīng)網(wǎng)絡(luò)算法模型的訓(xùn)練建立在一個巨大的數(shù)據(jù)集上進行的，數(shù)據(jù)集包含大約500萬條高速通行記錄，通行數(shù)據(jù)包括：入口時間、入口站、入口車牌、入口車型、入口車情、出口時間、出口站、出口車牌、出口車型、出口車情、總重、軸數(shù)、里程以及卡號。

3.2 特征工程

經(jīng)過對高速車輛逃費行為的分析，結(jié)合原數(shù)據(jù)中數(shù)據(jù)，進行特征融合與特征選擇，最終選取以下特征作為算法模型的輸入：①進出車牌一致性(same_car_number)。②低速(low_speed)。③短途重載(short_dis_overweight)。④長途重載(long_dis_lightweight)。⑤同站進出(min_out_in)。⑥通行時間重疊(same_time_range_again)。⑦車軸不一致(different_zhou)。⑧車型不一致。⑨標(biāo)識缺失。⑩標(biāo)識不一致；車情不一致。

3.3 數(shù)據(jù)統(tǒng)計

因為數(shù)據(jù)集為車輛出站數(shù)據(jù)，故以車輛的出站車牌為依據(jù)，分析2018年某路公司全部的通行記錄，統(tǒng)計各特征出現(xiàn)的次數(shù)以及車輛的總通行次數(shù)。

具體的統(tǒng)計規(guī)則如表1所示。在統(tǒng)計車牌不一致情況時，考慮收費站攝像頭對圖片識別的準(zhǔn)確性，采取編輯距離技術(shù)方式來判別進出車牌是否一致。

表1 特征統(tǒng)計規(guī)則

數(shù)據(jù)統(tǒng)計后，如表2所示，將數(shù)據(jù)分為訓(xùn)練集、測試集以及預(yù)測集。

表2 數(shù)據(jù)集

3.4 模型搭建

下面詳細介紹算法框架。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層以及輸出層組成，如圖2所示。在這種情況下，每一層節(jié)點的輸入都是上一層輸出的線性函數(shù)，而且不管神經(jīng)網(wǎng)絡(luò)有多少層，最終的輸出的都是輸入的線性組合，那么網(wǎng)絡(luò)的逼近能力就相當(dāng)有限。因此，在每一層之間都引入非線性函數(shù)作為激活函數(shù)，將線性組合轉(zhuǎn)化為非線性組合，而這種幾乎可以逼近任意函數(shù)。為了保證模型的收斂速度，選擇ReLU函數(shù)[8]作為激活函數(shù)，函數(shù)表達式如下。

ReLU=max(0，x)

(5)

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由于在實際訓(xùn)練樣本中，高速逃費車輛與正常行駛車輛的比例相差巨大，數(shù)據(jù)存在巨大的不平衡性，導(dǎo)致算法模型因為數(shù)據(jù)的不平衡性導(dǎo)致無法滿足實際分類要求，模型對于逃費車輛識別的準(zhǔn)確率不太理想。對采取上采樣或下采樣方式，模型的效果都沒有太大改觀。

為了提升模型的分類準(zhǔn)確率，借用了殘差神經(jīng)網(wǎng)絡(luò)中的short_cut結(jié)構(gòu)，增加到BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，具體模型結(jié)構(gòu)如圖3所示。為了避免模型的過擬合，在模型訓(xùn)練中借用了機器學(xué)習(xí)中的L2正則。

圖3 BP+short_cut神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.5 模型準(zhǔn)確率

經(jīng)過模型優(yōu)化處理后，模型的分類結(jié)果準(zhǔn)確率得到了巨大提升，模型的分類準(zhǔn)確率由86%左右提升到98%左右，具體模型的準(zhǔn)確率如表3所示。

表3 模型分類準(zhǔn)確率

4 實際效果驗證

高速逃費監(jiān)測系統(tǒng)平臺應(yīng)用于某高速路公司，從平臺生成的風(fēng)險名單中共選取了20輛車進行實地系統(tǒng)驗證，結(jié)合進出站視頻圖像，實地取證了若干車輛。

從平臺提供的車輛名單中發(fā)現(xiàn)有大量改軸車、換貨、倒卡車輛……，其中，19輛車存在逃費行為：改軸車輛：8輛；換卡逃費：6輛；換貨逃費：5輛；還有一輛車存在逃費嫌疑，由于數(shù)據(jù)問題，并不能對其進行逃費定性。

如圖4所示，經(jīng)過實地驗證，平臺提供的逃費車輛名單準(zhǔn)確率非常高。

圖4 某高速路公司視頻

5 結(jié)語

本文對BP神經(jīng)網(wǎng)絡(luò)以及BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢進行簡要概述，并提出了如何運用BP神經(jīng)網(wǎng)絡(luò)來識別高速逃費車輛，有效地制止高速逃費行為，維護高速交通的正常的運營秩序，努力形成安全、便捷、高效、綠色、經(jīng)濟的綜合交通運輸體系。