面向公路超限審批的智能數據治理與關鍵技術研究及應用示范

文/周新煥、秦緋、田濤、楊麗

1 前言

在運輸貨物的過程中，一些車主為了追求短期更高的經濟收益，忽視行車安全以及公路的實際承載能力，出現超限運輸的行為，給公路造成了損害、埋下了安全隱患。利用智能數據治理系統，可以對業務辦理所需的各種數據進行抽取、匯聚、整合，通過系統平臺進行一定的分析判斷，從而實現數據管理及高效審批，同時也為相關部門的工作提供必要的數據支持[1]。

2 項目概況

2.1 研究背景

為深入貫徹黨的十九大和十九屆二中、三中全會精神，以習近平新時代中國特色社會主義思想為指導，牢固樹立和貫徹落實新發展理念，深化“放管服”改革，進一步推進“互聯網+政務服務”，加快構建全國一體化網上政務服務體系，國內各地區積極搭建在線政務服務平臺，整合網絡資源，解決群眾關心的熱點問題。將線下完成的業務轉向線上完成，做好政府智能化服務，這也是智慧城市建設背景下的必然要求。智慧政府可以利用物聯網、云計算等現代化信息技術，提升決策智能化水平，建設服務型政府[2]。

在智慧城市的大背景下，建設智慧化的電子政務、發展信息經濟和智慧經濟，是實現經濟和社會轉型升級的必由之路。通過運用先進的現代信息技術，實現資源的優化整合，業務協同合作，有效提升政府辦公的效率，從而形成高效、集約、便民的服務型政府運營模式。通過本課題研究，實現業務快速辦理，響應國家政策的目標。

2.2 項目概況

本課題著眼于人工智能技術，從交通管理領域出發，研究行業數據中存在的問題，思考如何提升基層數據來源。目前存在的數據問題主要是錯誤和缺失，使得交通綜合數據分析的結果不夠準確，進而影響科學決策。隨著智能化設備的不斷推廣，交通數據量和種類也在不斷增加，單純依靠人工核驗無法滿足當前的需求。面向公路超限審批的智能數據治理與決策支持的應用將包含以下幾個方面內容：

2.2.1 通過機器學習算法來標記樣本數據特征；采用特征縮放的方式提升判斷準確率。

2.2.2 完成樣本數據分析后，形成數據結構特征模型，然后隨著樣本量增加，反復訓練，使得模型變得更加準確。

2.2.3 通過特征模型分析數據特征，模型會自動提取問題數據，實現人工智能數據治理。

2.2.4 利用BIP 數據分析產品分析非結構化數據，比如：圖文識別技術以及文檔智能分析技術等，將提取的數據源作為參照，恢復錯誤的數據。

2.3 國內外研究現狀

我國交通運輸行業經過數十年的發展，已經形成了包括公路、水路、民航以及鐵路等多種運輸方式組成的綜合交通運輸網絡，涵蓋了行政管理、應急管理以及信用管理各方面的海量數據，但是由于數據存在混亂、關聯性弱以及數據項缺失等問題，無法滿足行業應用的要求。公路是交通運輸的生命線，隨著社會經濟的發展，公路發揮著越來越重要的作用。但近年來由于公路超限貨物運輸現象層出不窮，由此造成的許多交通安全事故嚴重威脅著公路的正常使用。根據不完全統計和專家分析，路面車輛的超載所帶給路面的損害是幾何倍數增長的。其中，對于貨車來說，超限10%隨之給道路造成的損壞會增加40%；一輛超載2 倍的車輛對公路造成的損害是不超限車輛行駛16 次的傷害；一輛后軸為15t 的超限車對公路所造成的損害是10t 汽車行駛的5.06 次；一輛36t 的超載車輛所造成的傷害與9600 輛1.8t 重車等同。總而言之，公路車輛的超限除了會給道路造成破壞，還給公路橋梁的安全構成嚴重威脅。另外，大多數的超載車輛采取加裝鋼板彈簧等辦法，超過公路橋梁的設計荷載標準，會引發橋梁結構災難性的破壞。

3 主要內容及關鍵技術、創新點分析

3.1 研究內容

本課題研究的主要內容包括使用人工智能技術模擬業務人員進行業務審批，進而實現智慧型超限運輸審批系統的相關功能。通過機器學習技術識別業務申請材料，然后建立檔案數據中心，利用BIP 系統的專家對比模型記憶機器學習的決策樹算法對業務進行自動審批，可以有效解決當前數據質量數據同數不同源、數據項缺失等問題，最限度提升數據的質量與真實性，降低數據因統計不準確導致的結果誤差，實現業務智能審批。

3.2 關鍵技術

關鍵技術主要包含三個部分：棧式降噪自編碼器、深度網絡以及圖文識別。

3.3 創新點

與傳統的公路超限運輸審批系統相比，運用智能數據治理與決策支持應用的審批系統有以下幾個方面的優勢：

3.3.1 采用人工智能技術，在審批的每個環節都能當場出具結論，不需要等到管理人員審核，這樣可以有效提升業務辦事效率；同時，人工智能技術還可以實現極高的決策準確率，保障業務審批準確率。

3.3.2 利用深度學習技術，通過棧式降噪自編碼器構造深度降噪自編碼網絡。深度網絡在提取數據特征方面有著強大的優勢，可以發掘數據之間的潛在關聯，并通過圖文識別以及文檔智能分析提取非結構化數據，對比提取數據與分析數據的特征，進而有效實現數據修復。

3.3.3 通過知識圖譜用戶畫像技術，分析用戶操作數據以及其他維度的數據，確保用戶檔案數據的真實性和準確性。

3.3.4 采用深度降噪自編碼網絡模型，可以利用它的普適性和可遷移性，在特定場景下對樣本數據進行訓練或者在已經訓練好的網絡模型上實施微調，這樣就可以治理不同場景下的數據，以此降低深度學習對于硬件設備的需求及開發算法模型的成本，進而提升模型的有效性和準確性。

4 核心技術與路線

通過采用人工智能技術，有效完成交通行業智能數據治理與決策，支持關鍵技術研究及應用示范。

4.1 技術路線

采用人工智能技術完成對于交通行業公路超限審批的智能數據治理與決策，支持關鍵技術的研究，解決現階段公路超限審批的智能數據治理問題：

4.1.1 通過人工智能技術，識別公路超限運輸業務申請材料的內容，將現階段非關系型數據轉化為關系型數據，并形成真實的用戶圖像。

4.1.2 通過成熟的知識圖譜分析用戶圖像對于真實數據的匹配度，最限度提升和確保用戶業務材料的真實有效性。

4.1.3 通過特征模型算法、棧式降噪編碼器技術，及時快速模擬業務的審批過程。該過程能夠有效提高審批結果的準確性，從而快速準確提升特征模型審批的準確度。

4.2 實施方案

4.2.1 調研分析現場數據，明確化公路超限運輸業務相關數據，探究存在哪些數據質量問題。

4.2.2 對基于BIP 人工智能的公路超限運輸業務數據治理系統進行架構設計與開發，并廣泛應用于公路超限審批。

4.2.3 通過實際的運行和測試，完成對治理系統的測試。

4.2.4 通過測試撰寫完整的科研報告，總結申報成果。

4.3 智能判斷技術分析

通過業務特征提取棧式降噪編碼器能夠快速準確獲得業務的規則條件特征，使計算機能夠準確清楚了解和理解業務的規章條件，同時精準讀懂業務辦理規則及文檔文件內容。

4.3.1 棧式降噪自編碼器

棧式降噪編碼器能夠實現對于對象特征的自動提取，同時完成低維冗余的特征映射，展現相互高維抽象的深層特征，即通過棧式降噪編碼器提取特征向量，并且精準獲取用戶的相似度[3]。 其中，自動編碼器是由Rumelhart（1986）提出的基于神經網絡的特征提取，采用逼近恒等函數，是輸出與輸入相似的一種無監督的非線性學習算法。

4.3.2 業務特征提取

業務特征的提取方法是通過棧式降噪自編碼器數據特征算法，將輸入過程中的隱含的特定結構進行獲取和提取的；同時，采用相應的自編碼神經網絡及時、準確獲取事物特征。其中，自編碼器能夠使得特定結構在輸入中及時、精準獲取具備一定意義的數據。

4.3.3 模型訓練

棧式降噪自編碼器是多個降噪自編碼器級聯，逐一有序提取事物特征，使得最終獲得的特征向量更加適合事物的本質特征，并且具備較小的維度。一般來說，模型訓練是將n 個AE按照一定的順序進行訓練，再將獲得的輸出作為第二個AE 輸入，將其訓練完成后獲得第三個AE 輸入，以此類推，將最后得到的特征作為分類器的輸入，進而得到特征模型數據。

5 實際應用及效果評價

目前，基于BIP 人工智能的公路超限運輸業務數據治理系統已成功運用于山西省公路超限運輸業務。通過新系統與老系統的實際應用對比，在關鍵的受理和審查環節的審批效率由原來的8～10min，縮短到十幾秒。同時，針對此項示范業務的I、II 類件，在特定路線下，能夠實現無人干預的自動化審批，大幅度提升審批效率，群眾滿意度極高。另外，通過加強科技創新理念，加強科研隊伍培養，逐漸形成了人員結構合理、技術專業完善的科研型業務團隊，同時不斷加大科研投入力度、創新科研成果，在實際應用中獲得良好的經濟效益和社會效益。此外，通過建設智能化的應用系統，群眾所需的資料越來越少，辦理的周期越來越短，滿意度越來越高，切實做到了實質性的便民服務。

6 結語

總之，本課題的研究成果能夠為領域內帶來突飛猛進的變化，為業務辦理的參與者帶來實際性便利與效益，同時還能有效響應國務院提出的新型“互聯網+”的思想及“零”見面的指導方針。