高速公路AI稽核系統建設及數據分析
作者：謝鵬遠（山(shan)西交(jiao)通控股(gu)集(ji)團有限公司）
摘要：隨著(zhu)省(sheng)界收費(fei)站全部(bu)取消，全國實現(xian)了(le)“收費(fei)一張網”，極大地提(ti)升了(le)高速(su)公路路網通(tong)行(xing)(xing)(xing)效率，然而在(zai)經濟利益的驅(qu)使下，偷逃通(tong)行(xing)(xing)(xing)費(fei)行(xing)(xing)(xing)為層出不窮并呈現(xian)出多(duo)(duo)樣(yang)化(hua)、隱(yin)蔽化(hua)特(te)點。傳統稽(ji)(ji)核(he)(he)(he)方法存在(zai)依賴人工、遏制難(nan)度大、運營(ying)服務能(neng)力不足(zu)等問題(ti)，無法滿(man)足(zu)新收費(fei)模式下的稽(ji)(ji)核(he)(he)(he)需(xu)求。本(ben)文基于大數據、邊(bian)緣計(ji)算、AI算法等技(ji)術(shu)，對AI稽(ji)(ji)核(he)(he)(he)系統平臺(tai)建(jian)設進行(xing)(xing)(xing)了(le)探討，提(ti)出了(le)多(duo)(duo)流水融合路徑還(huan)原、邊(bian)緣計(ji)算實時稽(ji)(ji)查(cha)、多(duo)(duo)維AI稽(ji)(ji)核(he)(he)(he)引(yin)擎等方法，并建(jian)立(li)了(le)多(duo)(duo)種偷逃費(fei)稽(ji)(ji)核(he)(he)(he)模型(xing)。結果表明，AI稽(ji)(ji)核(he)(he)(he)系統可有效核(he)(he)(he)查(cha)多(duo)(duo)種偷逃費(fei)行(xing)(xing)(xing)為，模型(xing)準確率高，能(neng)夠滿(man)足(zu)核(he)(he)(he)查(cha)需(xu)求。
截至2019年底，全(quan)(quan)國29個聯網收(shou)(shou)費省(sheng)份487個省(sheng)界收(shou)(shou)費站(zhan)全(quan)(quan)部取消，實現(xian)了全(quan)(quan)國“收(shou)(shou)費一張網”[1]。據(ju)統(tong)計(ji)(ji)，全(quan)(quan)國擁有(you)(you)ETC客戶1.92億、門架系統(tong)24588套(tao)、ETC車(che)道48211條、不(bu)停車(che)稱重系統(tong)11401套(tao)，在大(da)幅提(ti)高(gao)高(gao)速(su)(su)公(gong)(gong)路通(tong)行(xing)(xing)(xing)(xing)(xing)效率的(de)同(tong)時[2]，偷(tou)逃(tao)通(tong)行(xing)(xing)(xing)(xing)(xing)費行(xing)(xing)(xing)(xing)(xing)為(wei)呈不(bu)斷(duan)增長態勢，偷(tou)逃(tao)通(tong)行(xing)(xing)(xing)(xing)(xing)費金額巨大(da)，且(qie)呈現(xian)出(chu)多樣(yang)化、隱蔽化、高(gao)科技化的(de)特點(dian)[3]，嚴重擾(rao)亂了高(gao)速(su)(su)公(gong)(gong)路收(shou)(shou)費工作(zuo)正常秩序(xu)。為(wei)有(you)(you)效克(ke)服傳(chuan)統(tong)稽(ji)核(he)(he)手(shou)段存在的(de)弊(bi)端(duan)，本文基于大(da)數(shu)據(ju)、邊緣計(ji)(ji)算(suan)、AI算(suan)法(fa)等(deng)手(shou)段的(de)稽(ji)核(he)(he)方法(fa)6-7，針(zhen)對山(shan)西省(sheng)全(quan)(quan)過(guo)程(cheng)、全(quan)(quan)時段、全(quan)(quan)區域(yu)深入挖掘偷(tou)逃(tao)漏(lou)通(tong)行(xing)(xing)(xing)(xing)(xing)費行(xing)(xing)(xing)(xing)(xing)為(wei)，通(tong)過(guo)深度研(yan)究車(che)輛抓拍圖像、通(tong)行(xing)(xing)(xing)(xing)(xing)流水(shui)及多維(wei)度結構(gou)化通(tong)行(xing)(xing)(xing)(xing)(xing)軌跡等(deng)方式，真實還原(yuan)通(tong)行(xing)(xing)(xing)(xing)(xing)過(guo)程(cheng)車(che)輛信息，為(wei)偷(tou)逃(tao)漏(lou)通(tong)行(xing)(xing)(xing)(xing)(xing)費稽(ji)核(he)(he)提(ti)供證據(ju)鏈判定，達到(dao)維(wei)護高(gao)速(su)(su)公(gong)(gong)路正常收(shou)(shou)費秩序(xu)和(he)公(gong)(gong)平繳(jiao)費環境、有(you)(you)效防(fang)范和(he)遏制偷(tou)逃(tao)漏(lou)通(tong)行(xing)(xing)(xing)(xing)(xing)費行(xing)(xing)(xing)(xing)(xing)為(wei)、提(ti)升(sheng)實時交易(yi)和(he)稽(ji)核(he)(he)追(zhui)繳(jiao)成功(gong)率、有(you)(you)效降低(di)偷(tou)逃(tao)漏(lou)通(tong)行(xing)(xing)(xing)(xing)(xing)費比重的(de)目的(de)。
一、傳統稽核方法存在的問題
隨著高速公路路網不斷擴大，不法車輛利用各種形式偷逃通行費且隱蔽性強，給國家、企業造成了巨大經濟損失。然而，傳統稽核手段[4-5]存在以下問題：（1）依賴人工識別，存在稽核準確性不高、效率低下、手段單一，且數據量大、分散程度高、人工篩選難等問題，導致缺乏追繳證據鏈；（2）遏制難度大，換卡逃費、大車小標等傳統偷逃通行費行為難以遏制，新型偷逃通行費行為層出不窮；（3）運營服務能力急需提高，由于高速公路通行費計費方式不同、計費金額差異等原因，社會負面影響大，車主用戶滿意度低，且現場稽查帶來的擁堵情況難以避免；（4）稽核信用體系缺失，行車信息與社會信用未形成關聯，無法納入不良征信體系并對人車黑、灰和預警名單等信用低下車輛規范行車或駕駛行為。可以看出，傳統稽核手段已無法滿足當前高速公路運營管理需要。
二、AI稽核系統總體建設方案
本文重點分析ETC識讀率低、牌識流水與抓拍率低、假冒減免車輛、套牌、改變繳費路徑作弊等問題，從提高數據采集的精準性、數據傳輸的可靠性、數據分析的智能性3個方面出發，創新引入AI流量卸載、人工智能、大數據、邊云協同等技術，充分利用ETC門架、收費站等流水和圖像信息，開展多流水融合路徑還原、邊緣計算實時稽查、多維AI稽核引擎等方法研究，實現智能實時稽核，解決人工投入大、時效性差等問題，同時不斷提高稽核追繳成功率，形成稽核業務閉環“一張網”，總體設計思路如圖1所示。
（一）數據源
數據源是開展收費稽核工作的基礎，包括通行、交易、牌識、視頻等采集數據和車輛發行、路網、費率、節點等基礎數據，具體如下[8]。1、車道收費數據具體包括車道收費交易數據和車道牌識數據，其中車道收費交易數據包括出入口站點、出入口時間、車牌、車型、軸重、軸數、行駛里程、收費金額等；車道收費牌識數據包括收費站編號、抓拍時間、識別車牌號、識別車型、抓拍圖片等。2、門架計費數據和牌識數據具體包括門架計費交易數據和門架牌識數據，其中，門架計費交易數據包括入口信息、交易時間、車型、車牌、計費里程、計費金額等；門架牌識數據包括門架編號、抓拍時間、識別車牌號、識別車型、拍攝位置、抓拍圖片等。3、發行數據包括ETC和OBU的發行數據，具體包括發行省份、發行時間、車牌、車型、顏色、圖片、軸數以及辦理人的相關信息。4、跨省拆分數據包括車輛跨省通行的車輛通行數據和收費數據，具體包括車輛通行收費站出入口數據、車道交易數據、門架計費數據等信息。5、全省治超數據和治超牌識數據主要包括車輛通行數據、計重數據和牌識數據，具體包括車輛通行時間、車牌、車型、軸重、軸型、圖片等數據。（二） AI稽核系統設計思路1、AI稽(ji)(ji)核網絡拓撲AI稽(ji)(ji)核系統(tong)采用了大數(shu)據(ju)(ju)集(ji)群服(fu)務(wu)器(qi)、地(di)(di)圖(tu)引擎服(fu)務(wu)器(qi)、應用服(fu)務(wu)器(qi)，網絡拓撲如(ru)圖(tu)2所示(shi)。其中，大數(shu)據(ju)(ju)集(ji)群服(fu)務(wu)器(qi)主(zhu)要對(dui)(dui)(dui)收費數(shu)據(ju)(ju)、發行數(shu)據(ju)(ju)、拆分(fen)數(shu)據(ju)(ju)、治超數(shu)據(ju)(ju)、牌(pai)識數(shu)據(ju)(ju)接收、存儲以(yi)及對(dui)(dui)(dui)稽(ji)(ji)核模型(xing)、路徑還原等進行計算，還能通過倒(dao)排索引對(dui)(dui)(dui)數(shu)據(ju)(ju)進行高性能檢索；地(di)(di)圖(tu)引擎服(fu)務(wu)器(qi)主(zhu)要實現地(di)(di)圖(tu)圖(tu)層加載、路網模型(xing)計算；應用服(fu)務(wu)器(qi)主(zhu)要實現對(dui)(dui)(dui)AI稽(ji)(ji)核系統(tong)的(de)部署和接口的(de)數(shu)據(ju)(ju)交互。
2、AI稽(ji)核(he)(he)系統架構AI稽(ji)核(he)(he)系統基于Hadoop框架進(jin)行開發(fa)(fa)，利用Hadoop大數據(ju)平臺的(de)實時流(liu)計算能力完成高吞吐(tu)量、具備容錯機制(zhi)的(de)實時流(liu)數據(ju)處(chu)理，利用HDFS、HBASE、HIVE組件完成關(guan)聯性(xing)數據(ju)存(cun)儲，存(cun)儲方式(shi)(shi)為(wei)以車牌(pai)為(wei)中(zhong)心，圖(tu)片(pian)、流(liu)水(shui)、車牌(pai)顏色(se)、門架、出入口等相(xiang)關(guan)屬性(xing)數據(ju)組合，數據(ju)流(liu)向如圖(tu)3所示。其中(zhong)，HBASE中(zhong)主要(yao)按照車牌(pai)、時間等設(she)計主鍵來(lai)實現分(fen)(fen)區的(de)均勻分(fen)(fen)布(bu)和快速檢索，并通(tong)過(guo)HBASE的(de)觸發(fa)(fa)插(cha)件在(zai)數據(ju)插(cha)入過(guo)程中(zhong)，將以車牌(pai)為(wei)中(zhong)心的(de)屬性(xing)異(yi)步發(fa)(fa)送到(dao)(dao)分(fen)(fen)布(bu)式(shi)(shi)倒(dao)排索引模塊(kuai)(kuai)。分(fen)(fen)布(bu)式(shi)(shi)倒(dao)排索引模塊(kuai)(kuai)負責按需要(yao)業(ye)務查詢的(de)屬性(xing)進(jin)行索引倒(dao)排處(chu)理，把數據(ju)導入到(dao)(dao)ES中(zhong)。
同(tong)時(shi)，鑒于數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)存儲(chu)介質、數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)存儲(chu)類(lei)型和數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)傳輸(shu)方(fang)式的(de)差異，通(tong)過不同(tong)工具實(shi)(shi)現異源、異構數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)的(de)導(dao)入。其中(zhong)，對實(shi)(shi)時(shi)性(xing)要求(qiu)(qiu)較(jiao)高(gao)的(de)監(jian)測數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)以分布(bu)式消息隊列的(de)形式由Kafka分發；關系(xi)(xi)型數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)庫由Sqoop等工具直接將數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)導(dao)入HDFS；非實(shi)(shi)時(shi)性(xing)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)選擇(ze)MapReduce計算引擎，實(shi)(shi)時(shi)性(xing)要求(qiu)(qiu)較(jiao)高(gao)的(de)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)選擇(ze)Spark或Storm計算框(kuang)架。3、AI稽(ji)(ji)(ji)(ji)核(he)(he)系(xi)(xi)統流(liu)程AI稽(ji)(ji)(ji)(ji)核(he)(he)系(xi)(xi)統流(liu)程如圖4所示，可分為4個步驟：（1）省(sheng)中(zhong)心(xin)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)、拆分數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)、治超(chao)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)、發行(xing)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)等接收(shou)匯聚至(zhi)(zhi)(zhi)大數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)平臺(tai)，通(tong)過稽(ji)(ji)(ji)(ji)核(he)(he)模型數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)驗證，得到疑(yi)似(si)偷(tou)逃(tao)費數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)；（2）系(xi)(xi)統根據(ju)(ju)(ju)疑(yi)似(si)偷(tou)逃(tao)費數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)(ju)，自動(dong)匹配生(sheng)成稽(ji)(ji)(ji)(ji)核(he)(he)工單(dan)和證據(ju)(ju)(ju)鏈，并推送至(zhi)(zhi)(zhi)省(sheng)中(zhong)心(xin)稽(ji)(ji)(ji)(ji)核(he)(he)平臺(tai)及稽(ji)(ji)(ji)(ji)核(he)(he)應用；（3）省(sheng)中(zhong)心(xin)稽(ji)(ji)(ji)(ji)核(he)(he)平臺(tai)將稽(ji)(ji)(ji)(ji)核(he)(he)工單(dan)和證據(ju)(ju)(ju)鏈推送至(zhi)(zhi)(zhi)收(shou)費站，一線(xian)稽(ji)(ji)(ji)(ji)核(he)(he)人員確認后提交(jiao)追繳工單(dan)，工單(dan)提交(jiao)至(zhi)(zhi)(zhi)路段和省(sheng)中(zhong)心(xin)進行(xing)審核(he)(he)；（4）省(sheng)中(zhong)心(xin)稽(ji)(ji)(ji)(ji)核(he)(he)平臺(tai)審核(he)(he)完畢后，生(sheng)成追繳名單(dan)，并反饋(kui)校驗結果、稽(ji)(ji)(ji)(ji)核(he)(he)結論等至(zhi)(zhi)(zhi)AI稽(ji)(ji)(ji)(ji)核(he)(he)系(xi)(xi)統。
（三）路徑還原路(lu)(lu)(lu)徑(jing)(jing)還(huan)(huan)原(yuan)(yuan)是(shi)開展(zhan)稽核分(fen)(fen)析工作的前(qian)提，本文通(tong)(tong)過利用(yong)(yong)多流水(shui)融合路(lu)(lu)(lu)徑(jing)(jing)擬合方法，通(tong)(tong)過利用(yong)(yong)ETC門架交(jiao)易(yi)數(shu)據(ju)(ju)和(he)牌識(shi)數(shu)據(ju)(ju)、收費(fei)站出入(ru)口交(jiao)易(yi)數(shu)據(ju)(ju)和(he)牌識(shi)數(shu)據(ju)(ju)、治超通(tong)(tong)行數(shu)據(ju)(ju)和(he)牌識(shi)數(shu)據(ju)(ju)、費(fei)率數(shu)據(ju)(ju)及路(lu)(lu)(lu)網帶權有向圖(tu)等(deng)進行車輛(liang)(liang)通(tong)(tong)行路(lu)(lu)(lu)徑(jing)(jing)還(huan)(huan)原(yuan)(yuan)，對通(tong)(tong)行數(shu)據(ju)(ju)和(he)牌識(shi)數(shu)據(ju)(ju)損失嚴重的通(tong)(tong)行車輛(liang)(liang)通(tong)(tong)過歷史通(tong)(tong)行數(shu)據(ju)(ju)進行路(lu)(lu)(lu)徑(jing)(jing)通(tong)(tong)行概率預測，實現路(lu)(lu)(lu)徑(jing)(jing)還(huan)(huan)原(yuan)(yuan)。1、GIS地(di)圖(tu)標(biao)(biao)注(zhu)地(di)理(li)信(xin)息(xi)(xi)系統（GIS）是(shi)開展(zhan)存(cun)儲、管理(li)、分(fen)(fen)析等(deng)與空間相關的信(xin)息(xi)(xi)系統，由于收費(fei)站、ETC門架是(shi)路(lu)(lu)(lu)徑(jing)(jing)還(huan)(huan)原(yuan)(yuan)的關鍵節(jie)點，基(ji)(ji)于路(lu)(lu)(lu)網基(ji)(ji)礎信(xin)息(xi)(xi)將收費(fei)站、ETC門架、費(fei)率、隧(sui)道、橋梁等(deng)高(gao)速公路(lu)(lu)(lu)基(ji)(ji)礎設施(shi)單元(yuan)及相關設備(bei)標(biao)(biao)注(zhu)到GIS地(di)圖(tu)上(shang)，同時將每一個計(ji)(ji)費(fei)單位在GIS進行標(biao)(biao)注(zhu)和(he)劃(hua)分(fen)(fen)，形(xing)成基(ji)(ji)礎信(xin)息(xi)(xi)圖(tu)層(ceng)、門架和(he)收費(fei)站圖(tu)層(ceng)、計(ji)(ji)費(fei)單元(yuan)圖(tu)層(ceng)、帶權有向圖(tu)的節(jie)點圖(tu)層(ceng)等(deng)。2、路(lu)(lu)(lu)徑(jing)(jing)還(huan)(huan)原(yuan)(yuan)模型在路(lu)(lu)(lu)徑(jing)(jing)還(huan)(huan)原(yuan)(yuan)之前(qian)應先開展(zhan)路(lu)(lu)(lu)徑(jing)(jing)融合工作，即通(tong)(tong)過對交(jiao)易(yi)流水(shui)（交(jiao)易(yi)憑證）/通(tong)(tong)行流水(shui)、圖(tu)像流水(shui)比(bi)對分(fen)(fen)析，判斷車輛(liang)(liang)路(lu)(lu)(lu)徑(jing)(jing)節(jie)點證據(ju)(ju)鏈是(shi)否(fou)完整，具(ju)體(ti)標(biao)(biao)記(ji)規則如表(biao)1所示。
路徑(jing)(jing)節點證(zheng)據(ju)鏈符合(he)要求后(hou)，即(ji)可根據(ju)車(che)輛類型(xing)、出入(ru)收費(fei)站、途徑(jing)(jing)ETC門架(jia)等條件，基于帶權有(you)向圖(tu)(tu)進行車(che)輛路徑(jing)(jing)還原(yuan)（通行路徑(jing)(jing)擬合(he)），如圖(tu)(tu)5所示。路徑(jing)(jing)還原(yuan)后(hou)對(dui)(dui)合(he)并(bing)路徑(jing)(jing)有(you)效性進行判(pan)斷，對(dui)(dui)于異常路徑(jing)(jing)，系統自動(dong)剔(ti)除。
（四）稽核模型建立與準確率驗證本文(wen)所述AI稽(ji)(ji)(ji)(ji)核(he)系統(tong)根(gen)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)不同逃(tao)費(fei)類型(xing)建立對(dui)應模(mo)(mo)(mo)(mo)(mo)型(xing)，目前已實(shi)現大車(che)(che)(che)小(xiao)標(biao)、有入無出(chu)(chu)、屏(ping)蔽(bi)卡(ka)(ka)簽(qian)入省(sheng)、屏(ping)蔽(bi)卡(ka)(ka)簽(qian)出(chu)(chu)省(sheng)、跑長買短、CPC倒卡(ka)(ka)、CPC入OBU出(chu)(chu)、一車(che)(che)(che)多(duo)(duo)卡(ka)(ka)、一車(che)(che)(che)多(duo)(duo)簽(qian)等近10種(zhong)偷(tou)(tou)逃(tao)費(fei)行(xing)(xing)(xing)為(wei)稽(ji)(ji)(ji)(ji)核(he)。以大車(che)(che)(che)小(xiao)標(biao)偷(tou)(tou)逃(tao)費(fei)行(xing)(xing)(xing)為(wei)進行(xing)(xing)(xing)舉例說明。改變車(che)(che)(che)型(xing)（車(che)(che)(che)種(zhong)）：大車(che)(che)(che)小(xiao)標(biao)是(shi)指發行(xing)(xing)(xing)車(che)(che)(che)型(xing)跟實(shi)際(ji)車(che)(che)(che)型(xing)不符。通過非法手(shou)段辦理或套取使用(yong)與實(shi)際(ji)車(che)(che)(che)型(xing)不符的(de)(de)車(che)(che)(che)輛(liang)(liang)(liang)標(biao)簽(qian)，達到偷(tou)(tou)逃(tao)費(fei)的(de)(de)目的(de)(de)。稽(ji)(ji)(ji)(ji)核(he)數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)驗證方式如下：（1）通過交易數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)中的(de)(de)車(che)(che)(che)牌、車(che)(che)(che)牌顏色和車(che)(che)(che)型(xing)與發行(xing)(xing)(xing)數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)對(dui)比(bi)，確(que)(que)定大車(che)(che)(che)小(xiao)標(biao)；（2）利用(yong)入口稱重數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)，在收費(fei)數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)中的(de)(de)入口交易數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)搜索軸數(shu)(shu)(shu)(shu)與車(che)(che)(che)型(xing)不符的(de)(de)車(che)(che)(che)輛(liang)(liang)(liang)；（3）搜索收費(fei)數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)中的(de)(de)入口交易數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)，車(che)(che)(che)型(xing)為(wei)一型(xing)貨車(che)(che)(che)，且車(che)(che)(che)牌顏色為(wei)黃色的(de)(de)車(che)(che)(che)輛(liang)(liang)(liang)；（4）篩(shai)選(xuan)車(che)(che)(che)輛(liang)(liang)(liang)通過ETC專道(dao)和人工車(che)(che)(che)道(dao)的(de)(de)收費(fei)車(che)(che)(che)型(xing)存在不一致的(de)(de)情況，通過車(che)(che)(che)牌號篩(shai)選(xuan)某(mou)個車(che)(che)(che)牌多(duo)(duo)次出(chu)(chu)現兩(liang)個及以上(shang)的(de)(de)車(che)(che)(che)型(xing)的(de)(de)車(che)(che)(che)輛(liang)(liang)(liang)；（5）對(dui)篩(shai)選(xuan)出(chu)(chu)的(de)(de)車(che)(che)(che)輛(liang)(liang)(liang)，根(gen)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)大數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)平臺圖(tu)片、交易數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)，對(dui)特征(zheng)點進行(xing)(xing)(xing)對(dui)比(bi)分(fen)析，形成初(chu)步結論。通過對(dui)稽(ji)(ji)(ji)(ji)核(he)模(mo)(mo)(mo)(mo)(mo)型(xing)分(fen)析數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)與稽(ji)(ji)(ji)(ji)核(he)人員核(he)實(shi)數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)(ju)(ju)對(dui)比(bi)分(fen)析，進行(xing)(xing)(xing)稽(ji)(ji)(ji)(ji)核(he)模(mo)(mo)(mo)(mo)(mo)型(xing)分(fen)析篩(shai)查準(zhun)(zhun)確(que)(que)率(lv)驗證，稽(ji)(ji)(ji)(ji)核(he)模(mo)(mo)(mo)(mo)(mo)型(xing)準(zhun)(zhun)確(que)(que)率(lv)如表2所示。屏(ping)蔽(bi)卡(ka)(ka)簽(qian)、倒卡(ka)(ka)通行(xing)(xing)(xing)介質等稽(ji)(ji)(ji)(ji)核(he)模(mo)(mo)(mo)(mo)(mo)型(xing)準(zhun)(zhun)確(que)(que)率(lv)較高(gao)，達90%，有入無出(chu)(chu)（闖關、跟車(che)(che)(che)）、跑長買短（U/J行(xing)(xing)(xing)駛(shi)）因系統(tong)及計費(fei)規則、現場管理和證據(ju)(ju)(ju)(ju)(ju)(ju)(ju)獲(huo)取等多(duo)(duo)重因素(su)影響，準(zhun)(zhun)確(que)(que)率(lv)為(wei)50%~60%左右，但能夠滿足稽(ji)(ji)(ji)(ji)核(he)業(ye)務需求。稽(ji)(ji)(ji)(ji)核(he)模(mo)(mo)(mo)(mo)(mo)型(xing)準(zhun)(zhun)確(que)(que)率(lv)如表2所示。
三、稽核結果數據分析
利用AI 稽核平臺對山西省2020年5月6日至2021年12月31日通行數據進行全量分析，共篩查累計篩查疑似逃費車輛67.3萬臺、涉及行程約141.5萬車次、涉及總金額1.05億元，根據稽核模型準確率測算，預測逃費車次95.8萬車次，預測逃費金額0.75億元，截至2022年1月底，各高速公路運營公司稽核人員完成全部疑似逃費數據審核，完善證據鏈，最終確認逃費車次93.5萬車次，確認逃費金額0.74億元，已追繳5500余萬元。具體按逃費類型分析如下。對大車小標、有入無出（闖關、跟車）、屏蔽卡簽入省、屏蔽卡簽出省、跑長買短（U/J行駛）、CPC 自倒卡、CPC 入 OBU 出等7種逃費類型進行分析，各類型對應涉及行程數、涉及金額及確認逃費金額如表3所示，疑似逃費涉及金額占比如圖6所示，確認逃費金額占比如圖7所示。
分(fen)析可(ke)得，有(you)入(ru)無(wu)出（闖(chuang)關、跟車(che)）、大車(che)小標（丟(diu)軸）、屏蔽(bi)卡簽(qian)出省和跑長買(mai)短（U/J行駛）等4種逃(tao)費(fei)(fei)(fei)(fei)類(lei)(lei)型(xing)分(fen)別(bie)占(zhan)據涉及行程數的96.87%、疑似損失金(jin)額的95.9%，是稽(ji)核(he)系統需加大核(he)查力度的逃(tao)費(fei)(fei)(fei)(fei)類(lei)(lei)型(xing)，特別(bie)是屏蔽(bi)卡簽(qian)逃(tao)費(fei)(fei)(fei)(fei)車(che)次占(zhan)為11%，逃(tao)費(fei)(fei)(fei)(fei)金(jin)額占(zhan)比卻(que)達25%，以(yi)全網聯網收費(fei)(fei)(fei)(fei)運行模(mo)式下(xia)出現的新型(xing)逃(tao)費(fei)(fei)(fei)(fei)類(lei)(lei)型(xing)，需要從(cong)技(ji)術、管(guan)理等多方(fang)面加強管(guan)理。有(you)入(ru)無(wu)出（闖(chuang)關、跟車(che)）和跑長買(mai)短（U/J行駛）2類(lei)(lei)逃(tao)費(fei)(fei)(fei)(fei)類(lei)(lei)型(xing)確認(ren)逃(tao)費(fei)(fei)(fei)(fei)金(jin)額占(zhan)比有(you)所(suo)下(xia)降(jiang)，直(zhi)接(jie)原因是稽(ji)核(he)模(mo)型(xing)準確率不高(gao)(gao)。下(xia)一步(bu)應持續優化迭代這2類(lei)(lei)模(mo)型(xing)，盡可(ke)能(neng)提(ti)高(gao)(gao)其準確率，從(cong)而(er)不斷提(ti)高(gao)(gao)可(ke)追繳比例(li)。
四、結束語
本文針對ETC識讀率低、牌識流水與抓拍率低、假冒減免車輛、套牌、路徑作弊等收費問題，搭建了AI稽核系統平臺，實現了多源異構數據的采集、存儲、處理與分析。在深度融合ETC門架、收費站等流水和圖像信息的基礎上，提出了多流水融合路徑擬合方法真實還原了通行過程車輛信息，為偷逃漏通行費稽核提供了完整證據鏈。同時，深度分析了所轄區域2020年5月至2021年12月間數據，結果表明，AI稽核系統模型準確率較高，可有效防范和遏制偷逃漏通行費行為，提升稽核追繳成功率。
參考文獻
[1] 王(wang)莫凡,吳烈(lie)陽. 取消高速(su)公路(lu)省界收費站后(hou)稽查(cha)方(fang)案(an)探(tan)討[J]. 中國交通信(xin)息化,2020(12).
[2] 李銀珍.取消(xiao)高速公路省界(jie)收費站(zhan)給社會經(jing)濟帶來的積(ji)極影(ying)響運用(yong)[J].內蒙古煤炭經(jing)濟,2020(19).
[3] 朱彥蓉(rong). 取消省界收費站背景下收費稽(ji)查平臺研究與(yu)設計[J].西部交通科(ke)技,2020(5).
[4] 譚峰(feng),李密,曾(ceng)春江,等. 基(ji)于中(zhong)臺技術的取消(xiao)高速公路省界收費站系統研究[J].中(zhong)國交通信息化，2021(S1).
[5] 劉(liu)春成,吳(wu)博(bo),倪悝(kui),等(deng). 基(ji)于AI的收(shou)費(fei)稽核研究與實(shi)踐[J]. 中(zhong)國(guo)交通信息(xi)化(hua),2021(S1).
[6] 王虹. 從人工到(dao)大(da)數據+AI：“一張網”稽(ji)核(he)加速中[J]. 中國交通(tong)信息化,2020(11).
[7] 楊曉寒,彭亞榮. 面向ETC自(zi)由流的收費管理探(tan)討[J]. 中國交通信息化,2020(9).
[8] 楊寶靜(jing). 取消高速公路省界(jie)收(shou)費站(zhan)后的運(yun)營(ying)變(bian)化及(ji)管理(li)措施[J]. 中國(guo)交通信息化,2020(1).
溫馨提示：文章轉自網絡，版權(quan)歸原作者(zhe)，如涉及(ji)版權(quan)，請聯系。
微信公眾號