基于BP神經網絡的高速逃費監測系統

(國研網成都分公司，四川 成都 610056)

0 引言

2018年1月，中共中央、國務院發出《關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，不但給國家帶來經濟損失，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域掃黑除惡一項重要工作，也是高速公路企業提升管理精細化水平、挽回經濟損失的內在要求。

現階段，高速抓逃的主要手段是依靠人工的經驗來進行高速抓逃，而這種方式效率低下，準確率較低。并且抓逃范圍僅限于稽核人員當前所處的收費站，很難以達到全路網范圍內的精準打逃。

隨著大數據時代的到來，數據挖掘技術得到了飛速的發展，越來越多的數據挖掘技術被用于實際工作和生活中。筆者基于BP神經網絡框架基礎上，對海量通行數據進行人工智能的數據挖掘，并結合高速公路實際的管理方法，以達到精準預測、精準定位的最終目標。

1 高速逃費分析

基于現階段的收費策略，影響高速車輛收費金額的關鍵因素有：

1)行駛里程數：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，主要是依據車輛的軸數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，此時關鍵數據為客車車型。

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鍵數據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，從而達到逃費目的，具體逃費行為有。

(1)單車循環留置倒卡。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卡，用第一張卡就入口站近下，如此循環。

(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的車牌照。在行駛高速公路時，其中兩輛車分頭對發，在中途互換通行卡，并換上與通行卡讀取信息中對應的車牌號，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，即當貨車進入服務區后，司機將車廂放在服務區，然后駕駛車頭在就近的收費站下高速后再領卡上來。到服務區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區卸貨或倒貨，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和載重數，從而達到逃費目的。

3)假軸逃費：按照高速貨車相關收費標準，貨車的收費與其核定載重有一定的關系。當載重超過限載時，通行費的單價將成倍增加，而貨車軸數越大，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，將貨物提前轉移到從出站口附近上來接應的車，然后輕車出站以達到逃費的目的。

1.2 打逃方式現狀

對于高速公路逃費行為，現場稽查人員常采用人工稽查方式，根據一線人員的經驗來識別、打擊車輛的逃費行為[1-4]，而該方式效率低，并且在準確性上也比較低，不能做到逐條檢測。

神經網絡是由大量處理單元互聯組成的非線性、自適應信息處理系統，具有自學習的優點，而自學習能力對于預測有著特別重要的意義。因此，通過構建神經網絡，使機器具有學習能力，智能識別逃費車輛，打擊高速逃費行為。

1.3 BP神經網絡的優勢

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

神經網絡利用現有的數據找出輸入與輸出之間得映射關系(近似)，利用這種映射關系(近似)，輸出結果。BP神經網絡作為目前應用最廣泛的神經網絡，BP神經網絡無論在網絡理論還是在性能方面已比較成熟。其突出優點就是具有很強的非線性映射能力和柔性的網絡結構。網絡的中間層數、各層的神經元個數可根據具體情況任意設定，并且隨著結構的差異其性能也有所不同。

2 BP神經網絡

BP神經網絡是一種按誤差反向傳播(簡稱誤差反傳)訓練的多層前饋網絡，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，以期使網絡的實際輸出值和期望輸出值的誤差均方差為最小。BP神經網絡的算法框架如圖1所示，算法框架包括：輸入層、隱藏層以及輸出層；

圖1 BP神經網絡

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而調整權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)

此時經過訓練的神經網絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經過非線形轉換的信息。

3 BP神經網絡搭建

3.1 數據集

BP神經網絡算法模型的訓練建立在一個巨大的數據集上進行的，數據集包含大約500萬條高速通行記錄，通行數據包括：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、里程以及卡號。

3.2 特征工程

經過對高速車輛逃費行為的分析，結合原數據中數據，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標識缺失。⑩標識不一致；車情不一致。

3.3 數據統計

因為數據集為車輛出站數據，故以車輛的出站車牌為依據，分析2018年某路公司全部的通行記錄，統計各特征出現的次數以及車輛的總通行次數。

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

表1 特征統計規則

數據統計后，如表2所示，將數據分為訓練集、測試集以及預測集。

表2 數據集

3.4 模型搭建

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

ReLU=max(0，x)

(5)

圖2 BP神經網絡結構

由于在實際訓練樣本中，高速逃費車輛與正常行駛車輛的比例相差巨大，數據存在巨大的不平衡性，導致算法模型因為數據的不平衡性導致無法滿足實際分類要求，模型對于逃費車輛識別的準確率不太理想。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確率，借用了殘差神經網絡中的short_cut結構，增加到BP神經網絡結構中，具體模型結構如圖3所示。為了避免模型的過擬合，在模型訓練中借用了機器學習中的L2正則。

圖3 BP+short_cut神經網絡結構

3.5 模型準確率

經過模型優化處理后，模型的分類結果準確率得到了巨大提升，模型的分類準確率由86%左右提升到98%左右，具體模型的準確率如表3所示。

表3 模型分類準確率

4 實際效果驗證

高速逃費監測系統平臺應用于某高速路公司，從平臺生成的風險名單中共選取了20輛車進行實地系統驗證，結合進出站視頻圖像，實地取證了若干車輛。

從平臺提供的車輛名單中發現有大量改軸車、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，由于數據問題，并不能對其進行逃費定性。

如圖4所示，經過實地驗證，平臺提供的逃費車輛名單準確率非常高。

圖4 某高速路公司視頻

5 結語

本文對BP神經網絡以及BP神經網絡的優勢進行簡要概述，并提出了如何運用BP神經網絡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、經濟的綜合交通運輸體系。