一种基于动态超时分析高速公路未缴费检测方法与流程

1.本发明属于智能交通的技术领域，具体地涉及一种基于动态超时分析高速公路未缴费检测方法。


背景技术：

2.一直以来，相关部门主要依赖视频监控、人工技术分析、他人举报等方式打击未缴费行为，这种工作模式存在工作量大、检测效率低等问题。
3.高速联网收费系统每天产生大量的车辆通行流水数据，如出入站记录、断面/卡口通行记录、联网收费拆分记录等。虽然这些数据从单条来看是零散的，但将这些数据关联起来，就能大致得到车辆在高速路网中的通行行为。而当车辆发生未缴费情况时，必然会在通行流水数据中表现出异常的通行行为。通过寻找数据中与未缴费行为相关的特征变量，并利用数据挖掘、大数据分析等方法建立未缴费预测模型，高效挖掘未缴费记录客户。这两者相结合的技术途径不但减少了人工检测带来的信息壁垒，同时提高未缴费检测人员工作效率，实现高效和准确预测未缴费行为进而打击未缴费行为。
4.但是由于目前检测到的高速公路未缴费车辆比较少，且大多为在收费站查验的假冒绿通车辆及计重作弊未缴费的车辆，其收费流水数据规律性不强，直接通过分析未缴费车辆相关变量特征来建立未缴费预测模型的方法不易实现。
5.近年来一些学者基于收费系统流水数据分析开展未缴费检测预测模型的研究，取得了一些进展：任文龙(2010)提出可以使用神经网络技术辅助联网高速公路收费检测，提高检测的效率和准确度，经过论证，其设计的bp网络模型收敛速度快，预测精度高，但模型的稳健性较差；赵彦(2015)等人针对当前利用通行卡进行高速公路未缴费的现象较为严重而且手工检测效率低、效果差的问题，采用聚类判别分析框架研究高速公路未缴费行为，提出了通行卡未缴费行为预测新模型，且预测结果的正确率十分理想,但模型过于复杂，不利于现实的检测工作。康震、马成元(2018)采取贝叶斯方法进行分析，筛选车辆通行的指标，构建预测车辆通行未缴费概率的问题，从而针对未缴费行为做出预防工作。该模型方法角度新颖，但模型效果不够稳定，且需要大量样本数据支撑，不利于实施。


技术实现要素：

6.本发明的技术解决问题是：克服现有技术的不足，提供一种基于动态超时分析高速公路未缴费检测方法,其能够筛选出未缴费可疑车辆，辅助人工检测未缴费可疑车辆，协助高速公路运营管理者的检测工作。
7.本发明的技术解决方案是：这种基于动态超时分析高速公路未缴费检测方法，该方法包括以下步骤：
8.(1)基于动态超时的车辆异常行为辨识；
9.(2)建立基于聚类和逻辑回归的未缴费检测模型。
10.本发明首先针对未缴费车辆通行时间超时频次高的特征，通过动态超时异常行为
辨识模型，筛选出未缴费可疑车辆，然后对这些可疑车辆进行聚类和逻辑回归建立未缴费检测模型，辅助人工检测未缴费可疑车辆，协助高速公路运营管理者的检测工作。
附图说明
11.图1示出了一种根据本发明的基于动态超时分析高速公路未缴费检测方法的流程图。
具体实施方式
12.如图1所示，这种基于动态超时分析高速公路未缴费检测方法，该方法包括以下步骤：
13.(3)基于动态超时的车辆异常行为辨识；
14.(4)建立基于聚类和逻辑回归的未缴费检测模型。
15.本发明首先针对未缴费车辆通行时间超时频次高的特征，通过动态超时异常行为辨识模型，筛选出未缴费可疑车辆，然后对这些可疑车辆进行聚类和逻辑回归建立未缴费检测模型，辅助人工检测未缴费可疑车辆，协助高速公路运营管理者的检测工作。
16.优选地，所述步骤(1)中，通过动态超时模型对车辆异常行为的辨识，找出疑似未缴费的车辆，作为后续未缴费特征挖掘和检测模型研究的基础，动态超时模型表示为公式(1)：
17.tn＝0.9t
n-1
0.1t
n-1
，n≥2
ꢀꢀꢀꢀꢀ
(1)
18.其中：当n＝1时，初始基准值t1：每两个收费站之间，前一个月内，同车型，同时间段所有车辆通行时间的平均值，每两收费站之间，每种车型有24个超时基准值，动态基准值更新t
n-1
：每两个收费站之间，前一天同车型同小时所有车辆通行时间的平均值；
19.设定车辆驶入o点和驶出d点高速公路的时间分别为to和td，则如果存在公式(2)的条件，则判断该车辆超时异常：
20.(t
d-to)》(1 15％)*tnꢀꢀꢀꢀꢀ
(2)。
21.优选地，所述步骤(2)中，利用系统聚类确定k-means的分类数和其初始数据点，其次是利用fisher判别分析进一步深化和区分聚类分析的结果，为逻辑回归模型奠定未缴费目标数据集基础；最后筛选未缴费相关变量进而通过数据挖掘软件利用算法分析识别未缴费风险高的车辆。
22.优选地，所述步骤(2)包括以下分步骤：
23.(2.1)因变量和自变量的设定
24.因变量为
25.其中，与y相关的6个未缴费行为特征分别是均值超时时长、总重量、总超重、均值超重、均值出行长度、均值出行耗时；
26.(2.2)概率模型的设定
27.在逻辑回归方程重设pi＝p(yi＝0|xi)为给定出行特征(xi)，发生未缴费行为(yi＝0)的条件概率，构建二元logistic回归模型，
28.逻辑回归模型为公式(4)：
[0029][0030]
其中：x1为均值超时时长，x2为总重量，x3为均值超重，x4为均值_出行长度。
[0031]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。


技术特征：
1.一种基于动态超时分析高速公路未缴费检测方法，其特征在于：该方法包括以下步骤：(1)基于动态超时的车辆异常行为辨识；(2)建立基于聚类和逻辑回归的未缴费检测模型。2.根据权利要求1所述的基于动态超时分析高速公路未缴费检测方法，其特征在于：所述步骤(1)中，通过动态超时模型对车辆异常行为的辨识，找出疑似未缴费的车辆，作为后续未缴费特征挖掘和检测模型研究的基础，动态超时模型表示为公式(1)：t
n
＝0.9t
n-1
0.1t
n-1
，n≥2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中：当n＝1时，初始基准值t1：每两个收费站之间，前一个月内，同车型，同时间段所有车辆通行时间的平均值，每两收费站之间，每种车型有24个超时基准值，动态基准值更新t
n-1
：每两个收费站之间，前一天同车型同小时所有车辆通行时间的平均值；设定车辆驶入o点和驶出d点高速公路的时间分别为t
o
和t
d
，则如果存在公式(2)的条件，则判断该车辆超时异常：(t
d-t
o
)>(1 15％)*t
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)。3.根据权利要求2所述的基于动态超时分析高速公路未缴费检测方法，其特征在于：所述步骤(2)中，利用系统聚类确定k-means的分类数和其初始数据点，其次是利用fisher判别分析进一步深化和区分聚类分析的结果，为逻辑回归模型奠定未缴费目标数据集基础；最后筛选未缴费相关变量进而通过数据挖掘软件利用算法分析识别未缴费风险高的车辆。4.根据权利要求3所述的基于动态超时分析高速公路未缴费检测方法，其特征在于：所述步骤(2)包括以下分步骤：(2.1)因变量和自变量的设定因变量为其中，与y相关的6个未缴费行为特征分别是均值_超时时长、总重量、总超重、均值_超重、均值_出行长度、均值_出行耗时；(2.2)概率模型的设定在逻辑回归方程重设p
i
＝p(y
i
＝0|x
i
)为给定出行特征(x
i
)，发生未缴费行为(y
i
＝0)的条件概率,构建二元logistic回归模型，逻辑回归模型为公式(4)：其中：x1为均值_超时时长，x2为总重量，x3为均值_超重，x4为均值_出行长度。

技术总结
一种基于动态超时分析高速公路未缴费检测方法,其能够筛选出未缴费可疑车辆，辅助人工检测未缴费可疑车辆，协助高速公路运营管理者的检测工作。这种基于动态超时分析高速公路未缴费检测方法，该方法包括以下步骤：(1)基于动态超时的车辆异常行为辨识；(2)建立基于聚类和逻辑回归的未缴费检测模型。类和逻辑回归的未缴费检测模型。类和逻辑回归的未缴费检测模型。


技术研发人员：张利 孙晓亮 王一戈 张迅頔 夏政 李骁一 张凡 冀金科 刘见平 崔玮 欧阳海 文娟
受保护的技术使用者：交通运输部公路科学研究所
技术研发日：2021.10.19
技术公布日：2022/1/21