基于云邊端架構及大數據分析的高速公路稽查系統探討

吳松

摘要：文章分析了國內高速公路通行費稽查系統建設和應用現狀，探討了應用云邊端架構和大數據技術挖掘車輛通行數據識別逃費車輛、開發高速公路稽查系統的思路和設計方案，同時對稽查工作提出了實踐建議，為運營單位開發稽查系統、開展稽查工作提供參考。

關鍵詞：高速公路稽查;大數據;云邊端架構

中國分類號：U492.8 +5

0引言

2020-01-01，全國29個省的487個省界收費站全部撤銷，新建2.5萬套ETC門架，5萬多條收費車道完成ETC改造，全國的聯網收費系統正式并入“一張網”運行。撤站后由于減少了人工通道，一些逃費現象未能及時發現并處理，給高速公路運營單位帶來了大量的經濟損失[1]。傳統的稽查系統依靠規則觸發以及人工檢索車輛通行記錄，工作效率低下，逃費檢出程度低，且高速公路運營稽查工作按省、按運營單位分割，各省、各運營單位的標準、管理制度及流程各不相同，跨企業特別是跨省協調難度大，逃費查證難度大，給稽查工作帶來了很大的困難[2]。

1現狀分析

目前，大多數高速公路運營單位都建設了高速公路通行費稽查系統，在車輛出站時識別車輛是否有逃費行為。傳統的稽查系統都是基于規則觸發，如判斷通行時間是否有異常，扣費卡通行路徑與車牌識別路徑是否一致等。基于規則的觸發方式極大程度依賴于規則的準確性，而且只能對本次通行的情況進行判斷，無法綜合車輛歷史通行情況分析車輛逃費的可能性;當司機提出本次通行有若干特殊情況，收費員很難進行核實，為避免擁堵或造成社會影響，往往只能放行。

許多省份都建立了基于大數據分析的稽查系統，綜合通行記錄、清分記錄、牌識路

徑，以及車輛照片，訓練出逃費模型，將模型分析出的疑似逃費車輛添加到嫌疑名單，由稽核人員進行人工核實后，再將其錄入黑名單。大數據分析不要求預設規則，只需要不斷校準識別結果，大大提高了逃費識別效率。然而大數據稽查系統需要大量樣本訓練才能得出逃費模型，識別逃費行為滯后，并且逃費模型更新后司機的下次逃費行為才能被

[KG（0.12mm]識別出來，不能回溯分析司機的歷史逃費行為，造成歷史逃費行為不能受到處罰，司機仍會抱著僥幸心理逃費。

2解決思路

車輛在高速公路通行過程中積累了大量的數據，如出入車道記錄、門架計費記錄、抓拍記錄、卡口抓拍記錄、清分結果等，通過挖掘車輛在高速公路通行中積累的通行數據，可以精確識別出車輛的通行路徑。由于各種數據上傳的時間節點不統一，無法在車輛出站時收集完所有的通行數據進行分析，實時稽查的局限性很大（車輛離開收費站前完成稽查）。大多數稽查系統都是事后稽查，在完成清分后，通過數據分析，識別出車輛的實際通行路徑，對比車輛的收費路徑，識別出疑似逃費車輛，再由稽核人員人工核實確定逃費車輛。

絕大多數逃費車輛都具有重復多次的特征，將上一步驟確定的逃費車輛所有的通行記錄重新抽取出來，用大數據分析這些通行記錄，識別出疑似逃費行為，再交由稽查人員進行核實。由于分析的樣本全部是逃費車輛的通行記錄，樣本精準，大大提高了分析效率。稽查人員核實逃費通行記錄后，將車輛錄入黑名單。在該車輛再次進入高速公路時，高速公路運營單位將對車輛所有歷史逃費金額進行追繳，大大提高了車輛逃費成本，使得司機不敢逃、不想逃。

3設計方案

車輛的通行數據非常龐大，分散存儲在各路段或收費站的收費系統上。傳統的云計算技術把所有的通行數據全部抽取到省中心進行統一保存和分析處理，大大增加了省中心的存儲成本與計算能力，隨著路網復雜性的增加，將會使省中心的處理能力不堪重負。

云邊端協同技術為解決云平臺算力負擔提供了解決方案，其核心思想是將云中心的功能根據計算的數據范圍、計算的復雜程度以及實時性要求進行劃分，將全局的、計算復雜的、非實時響應的功能保留在云中心，將局部的、計算復雜度低、需要實時響應的功能下放到靠近數據的網絡邊緣，如將大數據分析功能保留在云中心，將數據傳輸、存儲、預處理和相關應用程序等部署至近數據源的邊緣，實現數據的就近處理，提高響應速度[3]。同時數據經過邊緣節點的預處理和結構化處理，再上傳到云中心進行大數據分析，減少了云中心處理的數據量，降低了云中心的處理壓力[4]。

云邊端的分層結構充分融合了邊緣計算、云計算、大數據等新一代信息技術，系統的可靠性、可擴展性得到大大提高。在云邊端的分層架構中，云中心負責處理全局性的、復雜度高的、實時性要求不高的數據業務;邊緣節點負責處理局部的、復雜度低、實時性要求較高的本地數據業務;端服務則作為數據輸入的源頭，提供多元精細化信息，以支撐上層決策和精準分析[5]。由于數據存儲在已有的數據存儲設備上，云邊端的分層結構無論是云中心還是邊緣節點，在存儲上不會產生太高的設備成本。端服務是輕量級的應用，常利用用戶已有設備，可以是在已有的計算和存儲資源上部署微服務，也可以是從用戶已有的一些傳感器采集數據。相對傳統的云計算，云邊端架構既減輕了云中心的數據流量壓力，又提高了數據處理效率，并發處理能力更強，經濟性更高，但云邊端結構將系統分散到了整個網絡當中，整個系統的安全防護要求也更高[6]。

基于云邊端架構的大數據稽查系統，端服務是安裝在各種通行數據的服務器上的微服務，負責檢索通行數據，并將通行數據結構化，傳送到邊節點進行預處理。為了便于部署和減少端服務對原有服務器的影響，端服務常通過容器的方式封裝部署[7]。邊緣節點不存儲原始通行數據，只對本路段的結構化數據進行計算，保存運算后的結果，不做大數據分析。數據在云平臺分析后，將挖掘出的逃費模型下發到邊緣節點上，使邊緣節點更容易識別出逃費行為。云邊端架構將數據的檢索和結構化功能分散在到了通行數據的原有服務器上，充分利用了原有服務器的運算能力，端服務只負責檢索數據不做任何運算，相對原有服務器而言只增加了一路查詢，不會增加太大的資源壓力。同時，將部分計算能力分散到了邊緣節點上，提高了服務響應速度，降低了云平臺的資源壓力，也降低了云平臺和邊緣節點之間的吞吐量。相對傳統的云計算架構，云邊端架構無須在云中心平臺配置大量的存儲設備以及大吞吐量、高帶寬的交換機，降低了云中心硬件要求，邊緣服務器可以使用廉價的x86設備，也可以降低系統建設成本。

云邊端架構的稽查系統的結構如下頁圖1所示。

基于云邊端架構的稽查系統，在省中心建立大數據分析云中心，在路段中心建設邊緣節點，在各數據存儲服務節點安裝端服務。端服務負責檢索通行數據，將數據結構化上傳到邊緣節點，邊緣節點基于規則對車輛通行數據進行預判，篩選出疑似逃費車輛，由稽查人員進行人工核實。省中心向所有端服務從各系統提取出確認為逃費車輛的所有歷史通行記錄，進行大數據分析。識別出疑似逃費記錄，再交由稽查人員進行人工核實。根據人工核實結果，省中心更新逃費規則，下發到邊緣節點。工作流程如圖2所示。

4實踐建議

目前的稽查工作存在以下幾個問題：（1）對于司機偷逃通行費方面的監管力度不足，沒有有效的解決方案;（2）高速公路運營單位之間缺乏交流和協調，不能及時了解在其他地方已出現的逃費現象，對識別的疑似逃費現象很難協調相關單位配合;（3）稽查人員水平參差不齊，企業內部制度不健全，缺乏有效的激勵和處罰措施。產生這些問題的主要原因是：（1）在法律層面缺乏專門處罰司機偷逃通行費的法律條例，發現司機偷逃通行費只能追繳偷逃金額，不能進行額外處罰，司機偷逃通行費的成本低;（2）缺乏官方的交流和協調平臺，企業的經驗不能充分交流，查證協調工作的流程太多太復雜，效率低;（3）企業缺乏提升稽查人員水平技能的措施，稽查人員專業技術能力不強，對各種減免優惠制度理解不透徹，怕擔責任寧縱勿枉。不少企業雖然重視稽查工作，對稽查人員成功追繳也有一定的獎勵，但卻沒有制定相應的懲罰措施，缺乏識別稽查人員工作失誤的手段。

基于大數據分析的稽查系統需要依賴人工核實偷逃通行費的結果，稽查人員的能力直接影響著系統的識別效果，稽查人員識別的逃費記錄越準確、越完整，大數據分析得出的逃費模型就越精準。因此，稽查工作必須堅持系統建設與制度建設并重的方針，通過組織學習、培訓和交流，不斷提高稽查人員的專業技術能力和對制度的理解。同時，健全管理體系和制度，把偷逃費的識別及處置方案加入企業日常管理制度中，進一步完善稽查獎勵機制，細化績效考核內容，使得各個崗位上的員工都能積極地參與其中，形成相互監督的機制，降低稽查人員參與違法事件的可能性。

5結語

邊緣計算技術和大數據分析等信息技術的發展，推動了高速公路收費稽核業務由傳統人工方式向智慧化處理的轉變。本文圍繞高速公路稽查系統設計與稽查工作的實踐展開了深入研究，對稽查工作的現狀和存在問題進行了分析，探討了問題的解決思路，并結合云邊端技術提出了研發稽查系統的整體技術架構，討論了系統的工作流程，可為高速公路運營單位建設稽查系統、開展稽查工作提供一定的參考。

參考文獻：

[1]胡波.四川高速集團偷逃通行費治理研究[D].成都：電子科技大學，2020.

[2]劉永.基于云管邊端架構的高速AI稽查系統設計與實現[J].電腦與信息技術，2029（1）：58-60，67.

[3]潘虎.高速公路收費稽查系統設計與實現[D].南京：東南大學，2019.

[4]吳衛.邊緣計算環境下物聯網身份認證與隱私保護技術研究[D].西安：西安電子科技大學，2019.

[5]吳正坤.云邊端協同應用卸載機制的研究[D].南京：南京郵電大學，2020.

[6]原呂澤芮，顧潔，金之儉.基于云-邊-端協同的電力物聯網用戶側數據應用框架[J].電力建設，2020，41（7）：1-8.

[7]張迅頔，白文娟，高寒，等.高速公路偷逃費稽查篩選方法研究[J].公路交通科技（應用技術版），2020，16（4）：311-315，362.