高速公路AI稽核系統建設及數據分析
作者：謝鵬遠（山西交通控股集團有限公司）
摘要：隨著省界收費站全部取消，全國實現了“收費一張網”，極大地提升了高速公路路網通行效率，然而在經濟利益的驅使下，偷逃通行費行為層出不窮并呈現出多樣化、隱蔽化特點。傳統稽核方法存在依賴人工、遏制難度大、運營服務能力不足等問題，無法滿足新收費模式下的稽核需求。本文基于大數據、邊緣計算、AI算法等技術，對AI稽核系統平臺建設進行了探討，提出了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，并建立了多種偷逃費稽核模型。結果表明，AI稽核系統可有效核查多種偷逃費行為，模型準確率高，能夠滿足核查需求。
截至2019年底，全國29個聯網收費省份487個省界收費站全部取消，實現了全國“收費一張網”[1]。據統計，全國擁有ETC客戶1.92億、門架系統24588套、ETC車道48211條、不停車稱重系統11401套，在大幅提高高速公路通行效率的同時[2]，偷逃通行費行為呈不斷增長態勢，偷逃通行費金額巨大，且呈現出多樣化、隱蔽化、高科技化的特點[3]，嚴重擾亂了高速公路收費工作正常秩序。為有效克服傳統稽核手段存在的弊端，本文基于大數據、邊緣計算、AI算法等手段的稽核方法6-7，針對山西省全過程、全時段、全區域深入挖掘偷逃漏通行費行為，通過深度研究車輛抓拍圖像、通行流水及多維度結構化通行軌跡等方式，真實還原通行過程車輛信息，為偷逃漏通行費稽核提供證據鏈判定，達到維護高速公路正常收費秩序和公平繳費環境、有效防范和遏制偷逃漏通行費行為、提升實時交易和稽核追繳成功率、有效降低偷逃漏通行費比重的目的。
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稽核網絡拓撲AI稽核系統采用了大數據集群服務器、地圖引擎服務器、應用服務器，網絡拓撲如圖2所示。其中，大數據集群服務器主要對收費數據、發行數據、拆分數據、治超數據、牌識數據接收、存儲以及對稽核模型、路徑還原等進行計算，還能通過倒排索引對數據進行高性能檢索；地圖引擎服務器主要實現地圖圖層加載、路網模型計算；應用服務器主要實現對AI稽核系統的部署和接口的數據交互。
2、AI稽核系統架構AI稽核系統基于Hadoop框架進行開發，利用Hadoop大數據平臺的實時流計算能力完成高吞吐量、具備容錯機制的實時流數據處理，利用HDFS、HBASE、HIVE組件完成關聯性數據存儲，存儲方式為以車牌為中心，圖片、流水、車牌顏色、門架、出入口等相關屬性數據組合，數據流向如圖3所示。其中，HBASE中主要按照車牌、時間等設計主鍵來實現分區的均勻分布和快速檢索，并通過HBASE的觸發插件在數據插入過程中，將以車牌為中心的屬性異步發送到分布式倒排索引模塊。分布式倒排索引模塊負責按需要業務查詢的屬性進行索引倒排處理，把數據導入到ES中。
同時，鑒于數據存儲介質、數據存儲類型和數據傳輸方式的差異，通過不同工具實現異源、異構數據的導入。其中，對實時性要求較高的監測數據以分布式消息隊列的形式由Kafka分發；關系型數據庫由Sqoop等工具直接將數據導入HDFS；非實時性數據選擇MapReduce計算引擎，實時性要求較高的數據選擇Spark或Storm計算框架。3、AI稽核系統流程AI稽核系統流程如圖4所示，可分為4個步驟：（1）省中心數據、拆分數據、治超數據、發行數據等接收匯聚至大數據平臺，通過稽核模型數據驗證，得到疑似偷逃費數據；（2）系統根據疑似偷逃費數據，自動匹配生成稽核工單和證據鏈，并推送至省中心稽核平臺及稽核應用；（3）省中心稽核平臺將稽核工單和證據鏈推送至收費站，一線稽核人員確認后提交追繳工單，工單提交至路段和省中心進行審核；（4）省中心稽核平臺審核完畢后，生成追繳名單，并反饋校驗結果、稽核結論等至AI稽核系統。
（三）路徑還原路徑還原是開展稽核分析工作的前提，本文通過利用多流水融合路徑擬合方法，通過利用ETC門架交易數據和牌識數據、收費站出入口交易數據和牌識數據、治超通行數據和牌識數據、費率數據及路網帶權有向圖等進行車輛通行路徑還原，對通行數據和牌識數據損失嚴重的通行車輛通過歷史通行數據進行路徑通行概率預測，實現路徑還原。1、GIS地圖標注地理信息系統（GIS）是開展存儲、管理、分析等與空間相關的信息系統，由于收費站、ETC門架是路徑還原的關鍵節點，基于路網基礎信息將收費站、ETC門架、費率、隧道、橋梁等高速公路基礎設施單元及相關設備標注到GIS地圖上，同時將每一個計費單位在GIS進行標注和劃分，形成基礎信息圖層、門架和收費站圖層、計費單元圖層、帶權有向圖的節點圖層等。2、路徑還原模型在路徑還原之前應先開展路徑融合工作，即通過對交易流水（交易憑證）/通行流水、圖像流水比對分析，判斷車輛路徑節點證據鏈是否完整，具體標記規則如表1所示。
路徑節點證據鏈符合要求后，即可根據車輛類型、出入收費站、途徑ETC門架等條件，基于帶權有向圖進行車輛路徑還原（通行路徑擬合），如圖5所示。路徑還原后對合并路徑有效性進行判斷，對于異常路徑，系統自動剔除。
（四）稽核模型建立與準確率驗證本文所述AI稽核系統根據不同逃費類型建立對應模型，目前已實現大車小標、有入無出、屏蔽卡簽入省、屏蔽卡簽出省、跑長買短、CPC倒卡、CPC入OBU出、一車多卡、一車多簽等近10種偷逃費行為稽核。以大車小標偷逃費行為進行舉例說明。改變車型（車種）：大車小標是指發行車型跟實際車型不符。通過非法手段辦理或套取使用與實際車型不符的車輛標簽，達到偷逃費的目的。稽核數據驗證方式如下：（1）通過交易數據中的車牌、車牌顏色和車型與發行數據對比，確定大車小標；（2）利用入口稱重數據，在收費數據中的入口交易數據搜索軸數與車型不符的車輛；（3）搜索收費數據中的入口交易數據，車型為一型貨車，且車牌顏色為黃色的車輛；（4）篩選車輛通過ETC專道和人工車道的收費車型存在不一致的情況，通過車牌號篩選某個車牌多次出現兩個及以上的車型的車輛；（5）對篩選出的車輛，根據大數據平臺圖片、交易數據，對特征點進行對比分析，形成初步結論。通過對稽核模型分析數據與稽核人員核實數據對比分析，進行稽核模型分析篩查準確率驗證，稽核模型準確率如表2所示。屏蔽卡簽、倒卡通行介質等稽核模型準確率較高，達90%，有入無出（闖關、跟車）、跑長買短（U/J行駛）因系統及計費規則、現場管理和證據獲取等多重因素影響，準確率為50%~60%左右，但能夠滿足稽核業務需求?；四Ｐ蜏蚀_率如表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。
分析可得，有入無出（闖關、跟車）、大車小標（丟軸）、屏蔽卡簽出省和跑長買短（U/J行駛）等4種逃費類型分別占據涉及行程數的96.87%、疑似損失金額的95.9%，是稽核系統需加大核查力度的逃費類型，特別是屏蔽卡簽逃費車次占為11%，逃費金額占比卻達25%，以全網聯網收費運行模式下出現的新型逃費類型，需要從技術、管理等多方面加強管理。有入無出（闖關、跟車）和跑長買短（U/J行駛）2類逃費類型確認逃費金額占比有所下降，直接原因是稽核模型準確率不高。下一步應持續優化迭代這2類模型，盡可能提高其準確率，從而不斷提高可追繳比例。
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] 王莫凡,吳烈陽. 取消高速公路省界收費站后稽查方案探討[J]. 中國交通信息化,2020(12).
[2] 李銀珍.取消高速公路省界收費站給社會經濟帶來的積極影響運用[J].內蒙古煤炭經濟,2020(19).
[3] 朱彥蓉. 取消省界收費站背景下收費稽查平臺研究與設計[J].西部交通科技,2020(5).
[4] 譚峰,李密,曾春江,等. 基于中臺技術的取消高速公路省界收費站系統研究[J].中國交通信息化，2021(S1).
[5] 劉春成,吳博,倪悝,等. 基于AI的收費稽核研究與實踐[J]. 中國交通信息化,2021(S1).
[6] 王虹. 從人工到大數據+AI：“一張網”稽核加速中[J]. 中國交通信息化,2020(11).
[7] 楊曉寒,彭亞榮. 面向ETC自由流的收費管理探討[J]. 中國交通信息化,2020(9).
[8] 楊寶靜. 取消高速公路省界收費站后的運營變化及管理措施[J]. 中國交通信息化,2020(1).
溫馨提示：文章轉自網絡，版權歸原作者，如涉及版權，請聯系。
微信公眾號
粵公網安備 44010402002149號