全网协同综合稽逃分析系统探究及应用

日期:2022-11-08 11:25:31        来源: 中国交通信息化微信公众号

论文

作者:袁毅(安徽亳阜高速公路有限公司)

摘要:在全国高速公路一张网新型收费模式下,针对人为漏缴、故意逃费,尤其是货车逃费现象,组织研究并开发了全网协同综合稽逃分析系统。该系统以路段数据资源为基础,为路段每个门架建立稽核“漏斗”,经大数据分析,提炼出路段级逃费车辆数据,再经部省级稽核平台全路网协同验证,确认稽逃车辆。该系统在路段公司实施后,每天可输出漏缴逃费车辆、车证不符逃费车辆数据,以及跑长买短、无拆分、无痕迹等车辆数据,为路段稽核提供有力的数据支撑,同时稽核数据也为工单自助处理提供数据支持,具有很高的实用价值。


自取消省界收费站以来,高速公路形成了“全国一张网”的运营新格局,收费方式更加方便快捷,但同时也给高速公路稽核工作带来了更大挑战,人为漏缴、故意逃费现象层出不穷。在新的背景下,货车通行单次可逃费金额高、利益驱动大,也导致更多逃费事件的发生。作为收费基本主体的路段公司,由于数据资源有限,缺乏车辆全程交易数据、全程全景特征数据,几乎无法完成发现、定位逃费车辆。对逃费车辆的稽核,即便路段掌握了部分分析数据,也难以在全路网得到验证,影响数据定位依据和精度。如何定位刻意逃费车辆,并充分验证,为精准稽核提供可靠数据,为收费追逃提供可靠依据,成为各收费路段迫切需要解决的问题。

系统概述


针对现有问题,路段级全网协同综合稽逃分析系统应运而生。全网协同综合稽逃分析系统主动驱动对逃费车辆的稽查,协同ETC/CPC交易处理系统、车型识别处理系统、行为轨迹评估系统以及部、省稽核管理平台协同工作。该系统以路段数据资源为基础,采用稽核“漏斗”模型,经大数据分析处理,提炼出路段级逃费车辆数据,再经部省稽核平台全路网协同验证,确认稽逃车辆。其输出数据,具备高精准定位特性,满足稽逃数据要求,路段公司可实现小路段大稽核。

全网协同综合稽逃分析系统,对高速收费门架系统的抓拍数据、交易流水数据,车型识别系统的车型数据,收费站的入、出口流水数据,以及系统长期运行评估产生的用户评估数据等,实现互联互通,再精准融合省、部平台的稽核与图片数据实现综合应用,为稽核定位提供强大的基础数据支撑和充分的数据支持,系统24小时不间断工作,不断为路段用户提供精准的稽核数据。全网协同综合分析稽逃系统组成如图1所示。


                                                                    图片


图1 全网协同综合分析稽核系统

系统探究


(一)整体思路

逃费的本质是不缴通行费或少缴通行费,在新型缴费体制下,逃费不留缴费痕迹,最好的办法是屏蔽OBU或CPC卡,使门架无交易记录,但有视频抓拍数据。经过门架漏交易的车辆,不一定是逃费车辆,但大部分逃费车辆是无交易车辆。基于逃费的本质与过程,应采用反向逻辑概念,综合考量的原则,建立路段级稽核“漏斗”模型。利用门架系统的视频抓拍系统,获取经过门架车辆的视觉信息,形成车辆视频抓拍流水数据;利用门架系统的ETC交易系统交易流水形成交易流水数据;利用专用的视频车型识别设备获取经过门架的车辆车型信息,形成车辆车型识别数据,并同步建立车辆车型库;利用系统长期积累的用户数据,评估形成行为轨迹数据;以及融合部省平台的协同数据,作为稽核“漏斗”的顶端数据。通过稽核“漏斗”往下层层挤压,挤压掉正常交易的车辆用户,挤压掉系统设备问题偶尔漏缴的车辆用户,挤压掉被门架系统拟合的车辆用户等等,稽核“漏斗”不断往下挤压,挤压掉所有可能正常缴费的车辆,最终挤压到“漏斗”底部,再也没有可能挤压出正常缴费的车辆用户时,从“漏斗”底部挤出来的,必定是没有正常缴费的嫌疑车辆。经稽核“漏斗”处理的车辆数据,再经部、省稽核平台全网复核验证,最终实现精准稽核、定位逃费车辆。同时,稽核数据也为工单自助处理提供数据支撑。整体思路架构如图2所示。


                                                                        图片


图2 整体思路架构图

(二)关键技术

全网协同综合稽逃分析系统,受车辆视频流水视觉驱动引擎和ETC/CPC交易流水输入信息驱动。

车辆视频流水视觉驱动引擎驱动漏标处理神经网络工作。以视频流水视觉信息为主导,与ETC/CPC交易流水做拟合比对,既有视觉信息又有交易流水信息即为正常车辆,有视觉信息但没有交易流水信息即为漏标车辆,漏标处理采用了多重处理的神经网络结构,提供了精准的、可扩展的处理机制。

ETC/CPC交易流水输入信息,是受系统控制的定时驱动任务,驱动漏拍处理神经网络工作,以ETC/CPC交易流水信息为主导,与视频流水视觉信息做拟合比对,既有交易流水信息,又有视觉信息即为正常车辆;有交易流水信息,但没有视觉信息即为漏拍车辆,同样的漏拍处理采用了多重处理的神经网络结构,提供了精准的、可扩展的处理机制。

利用视频流水中已标识的车型信息,与ETC/CPC交易流水中记录的交易信息、车型信息、轮轴信息拟合比对,分辨出大车小标车辆;漏标数据、漏拍数据包含了系统偶然漏标车辆、套牌车辆、被套车牌、过境逃费车辆、路段内逃费车辆等,这是通过疑逃处理神经网络层层处理,并在处理中学习,积累数据与经验。经疑逃处理神经网络过滤后,最终经全网协同复核,确认疑逃车辆,多层处理神经网络系统,构建了系统的稽核“漏斗”。疑逃车辆信息,将按照类别保存在数据库中,并通过疑逃车辆信息输出模块输出,提供稽核车辆数据服务。

(三)技术方案

全网协同综合稽逃分析系统分为四个层面,分别为数据采集服务层、数据分析服务层、数据应用层和数据展示层。技术方案整体框架如图3所示。


                                                                            图片


图3 技术方案整体架构图

1、数据采集层

数据采集层,主要完成对通过路段所有门架车辆的交易流水数据、抓拍流水数据、车辆车型识别数据以及全网协同数据的采集、清洗和重组,尤其是对抓拍、交易流水数据的采集,同时按要求重组流水数据,并形成路段级ETC用户库,车辆用户历史记录库。 

特别是车型数据采集,在原有ETC门架系统基础上,加装车辆车型视频识别设备,通过网络与高清车牌图像识别设备进行无缝连接和数据交换,将车头信息与车辆侧面信息进行匹配,形成车头图片、车侧图片、号牌、车型、轴型、轮/轴数等多维度的车型特征数据。

2、数据分析层

数据分析层,对系统采集的庞大的数据进行逻辑分析处理,尤其是对抓拍的数据、交易流水数据的处理,分析出每个门架每时每刻的漏缴车辆数据和漏拍车辆数据,分析出前后向门架拟合车辆数据,分析出大车小标车辆数据,分析出一车多证车辆数据,分析出车证不符车辆数据等,形成异常嫌疑车辆数据。车型数据加权处理,提供了具有大车小标可能的货车数据,经由系统通过比对交易费率,稽核大车小标车辆。同时分析处理经系统分析得出的大车小标数据,综合评估大车小标嫌疑车辆,在提供精准的大车小标数据的同时,提供完整的证据图片。

由交易数据、抓拍数据、车辆车型数据分析处理后的数据,再与历史行为轨迹进行信誉评估处置,进一步优化数据的精准度。以上分析结果,形成了路段级的稽核数据,路段级稽核数据再经部省平台协同复核,提供省外、省内的牌识、拆分、交易数据,对这些数据的进一步综合处理优化,形成本系统的全网协同的逃费车辆数据,以路段为基础,最终实现全网级协同复核的稽核数据。

3、数据应用层

本系统针对路段流量大小分布情况,合理分派任务执行时段,但保证每天上班前,提供已经分析形成的稽核数据。数据应用层,把每天分析形成的结果数据,按用户的要求进行分类处理。其中,自动归档警车、军车以及其他免费车辆,自动归档有逃费嫌疑,但已经按特情收取通行费的车辆等;自动分类漏缴车辆、大车小标车辆、车证不符车辆等。此外,将分析的各类数据,分类入库。

数据应用层,可为路段工单处理过程的数据处理、证据收集、操作处理提供自助处理的技术支持,有效减轻工作人员的工作强度,提高工单处理效率。

数据应用层是一个伸缩性比较大的应用层面,系统为便于用户的维护和管理,提供了数据流检测工具,可浏览系统的每个数据节点;提供了最近几天数据流分布,既可检测本系统的工作概况,也可检测门架系统的工作性能;提供了实时抓拍数据流工具,可监视各门架的抓拍系统工作状态,以获取本系统基础设备是否处于正常工作的状态信息。

4、数据展示层

本系统的数据展示层,通过简洁友好的用户界面在用户终端展示信息,可分为基础数据展示、稽核数据展示、工单自助处理数据展示、统计和稽核工具五大部分。

基础数据展示了路段收费系统所有的漏缴车辆信息、漏拍车辆信息;并可针对单个车辆查询漏缴、漏拍的历史数据,行程数据,经过门架时的图片;针对单个车辆可以快捷连接到交易流水的展示或抓拍数据的展示。

稽核数据展示,可展示漏缴车辆的分布,单个车辆漏缴的分布,具体的行程、图片;可展示大车小标车辆分布、图片;可展示车证不符车辆分布、图片;可展示一车多证、车证不符车辆分布和图片。

工单自助处理数据展示,可展示每天下发的能自助处理的工单,能展示今天处理的工单,能展示工单证据图片,能展示工单统计信息。

统计数据展示,可展示所有基础统计数据;可展示所有逃费嫌疑车辆统计数据;可展示系统平衡预测数据。

稽核工具,可快速展示车辆路径信息;快速展示车辆交易路径信息;展示系统数据节点;展示动态系统数据。

系统实现


全网协同综合稽逃分析系统采用一款轻量级的ORM工具。使用Entity Framework、NHibernate处理大数据访问及关系映射,构建全网协同综合稽逃分析系统基础数据的采集分析处理。ORM框架的核心思想是对象关系映射,ORM将表与表之间的操作,映射成对象与对象之间的操作,通过操作实体类达到操作表的目的。其显著优点是以最小的资源,获得最快的处理速度,以满足流量较大的车辆基础数据的采集与分析处理要求。系统采用HASHMAP快速分析车辆轨迹和车辆的核查。

系统建设


系统在研究开发并经测试后,在路段进行部署和应用实践。

1、基础设施

系统运行所需设施,在充分利用现有门架系统设备和路段机房设备的基础上增加了全网协同综合稽逃分析系统服务器、门架车型识别新设备和车型识别服务器,分别处理疑逃车辆检测、处理服务和车辆车型识别服务。由于系统合理设计,对系统的硬件要求较低,投资较少,非常适合路段实施应用。

2、网络建设

所有数据传输,除新增车型识别信息传输网络外,基本基于现有网络,通过现有数据传输网络传送至路段机房。然后在路段机房增设全网协同综合稽逃分析系统服务器、门架车型识别服务器;终端用户,只要设置在收费内网的工作电脑,安装全网协同综合稽逃分析系统终端软件后,都可操作本系统,并可展示信息内容。系统网络架构如图4所示。


                                                                    图片


图4 系统网络架构图

3、网络安全

本系统软件全部安装部署在收费内网,与外网完全隔离,具有极高的网络安全性。

4、系统运行

系统已经投入正常运行状态,每天都能获取稽核数据,成为公司稽核工作重要途径。

系统应用实例


系统基础数据实例如图5所示,该界面展示了2022年5月1日至2022年7月22日期间,其中一个门架漏标车辆的排名分布情况。


                                                                      图片


图5 系统基础数据实例图

稽核数据实例如图6所示,该界面展示了2022年7月1日至2022年7月22日期间的漏缴车辆分析数据,其中展示了漏缴车辆漏缴的门架信息,以及协同复核的稽核信息。


                                                                     图片


图6 稽核数据实例图

全网协同数据实例如图7所示,该界面展示的是协同稽核数据,包含车辆全程的牌识路径信息、拆分路径信息、交易路径信息,系统将根据协同的数据,进行综合评估车辆的逃费行为。


                                                                      图片


图7 全网协同数据实例图

数据工具实例如图8所示,该界面展示的是单个车辆某个时间段内的路径信息与车型信息。在每个点上,都可以获取正面图片、侧面全景图片以及车牌图片,图片可快速导出。


                                                                       图片


                                                                       图片


图8 数据工具实例图(正面和侧面)

工单自动处理功能可根据时间、工号查询展示系统自动处理的工单,支持编辑、审核、提交、证据图片的查看,满足按工单类型进行数据统计分析,工单详细信息可以按Word、Excel、PDF格式导出保存。

结束语


在经济效益方面,全网协同综合稽逃分析系统自主处理疑逃车辆,并通过长期的学习、经验积累,提供精准的疑逃车辆信息,显著提高系统对疑逃车辆的捕获和定位。通过全网协同处理系统,实现小路段大稽核,系统实施可显著提高稽核效益,其经济效益明显。

在社会效益方面,全网协同综合稽逃分析系统的投入使用,实现常态稽逃,提供了逃费车辆稽查的有力工具,经集中打逃、常态稽逃相结合,再加大宣传,将对那些恶意偷逃费的车辆用户,构建强大的精神压力,打消其逃费念头,培养诚信守法的良好出行习惯,具有显著的社会效益。