CN113064940A - 一种基于大数据的高速公路智能实时收费分析系统 - Google Patents
一种基于大数据的高速公路智能实时收费分析系统 Download PDFInfo
- Publication number
- CN113064940A CN113064940A CN202110376631.3A CN202110376631A CN113064940A CN 113064940 A CN113064940 A CN 113064940A CN 202110376631 A CN202110376631 A CN 202110376631A CN 113064940 A CN113064940 A CN 113064940A
- Authority
- CN
- China
- Prior art keywords
- data
- platform
- real
- time
- rule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007600 charging Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000007726 management method Methods 0.000 claims description 37
- 238000007405 data analysis Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000005111 flow chemistry technique Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000011835 investigation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000497429 Obus Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的高速公路智能实时收费分析系统，多维数据分析平台对高速公路业务数据分析并进行机器学习模型的训练和指标的加工。数据实时处理平台通过增量式的实时计算，把原始高速公路流水数据计算加工成指标。智能决策平台采基于指标进行可视化规则配置，采用定时或者实时的方式使用上线的规则模型对生产流水进行决策，决策结果为逃费嫌疑车辆。核查平台对嫌疑车辆和行程信息进行查看和确认操作，并在确定为逃费嫌疑车辆后即时生产证据链，发布追缴。本系统基于双核智能决策引擎技术，很好的支持同时可视化的使用规则和机器学习模型，使得规则和机器学习模型可以更高效、更快速、更低成本的融合在一起。
Description
技术领域
本发明涉及高速公路电子收费领域，尤其涉及一种基于大数据的高速公路智能实时收费分析系统。
背景技术
随着高速公路路网不断扩大，一些不法车辆利用各种形式偷逃通行费，逃费形式多样且隐蔽性强，主要包括ETC逃费、CPC逃费、假冒免费逃费、同时申请多个OBU和ETC卡、屏蔽门夹信号实现最小费率等。
这扰乱了高速公路收费工作正常秩序，造成了巨大经济损失。为维护高速公＝路正常收费秩序和公平缴费环境，进一步加强通行费征收管理，有效防范和遏制偷逃漏通行费行为，保证严格按照收费标准依法依规收费，迫在眉睫。
虽然，管理部门虽然积极采取一些控制手段，但在实践中依然缺少有效的解决方案，尤其是在主动发现偷逃通行费嫌疑车辆的这一环节没有高效的办法，通常通过人力查询的方式进行，效果极其低下。而随着全国取消省界收费站采用门架分段计费的方式后，一方面在原有的打逃机制和打逃工具都纷纷失效；另一方面增加了门架数据后，数据量大幅度增加，传统防控系统都是非大数据、非人工智能架构，很难继续正常使用。再加上偷逃的手法也发生了变化，原有的防控技术基本处于瘫痪重建的状态。
高速公路现阶段针对偷逃通行费行为的防控手段弊端主要有：
弊端一：主要还是以人工稽查为主：非常依赖现场收费人员和稽查人员经验；
弊端二：目前的缺乏主动发现的有效手段，现又稽核系统，通过部署省部要求制定的规则，每天的确可以抓出很多异常车辆，但由于每个路段的情况和特点不一样，数据质量也还在逐步完善中，因此准确率不高，带来的稽核工作量非常之大。
弊端三：各路段稽查人员无法自主配置规则，无法充分发挥各路段公司稽查人员的一线业务经验，无法让稽查人员高效地投入到主动发现逃费车辆的环节中。
弊端四：事后稽查为主、事中无预警：事后追查，往往丢失许多重要信息，导致取证困难，费用难以追回，也无法对偷逃行为进行有效的震慑。
因此，目前急需一种集分析、缉查和收费一体化的智能型综合高速路系统。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于大数据的高速公路智能实时收费分析系统，其能解决上述问题。
设计原理：设计一种基于大数据的高速公路智能实时收费分析系统，系统采用大数据、人工智能相关技术，通过还原曾经发生过的偷逃案件和研究可能会发生的偷逃案件，找到这些案件发生时车辆行驶行为、收费员行为与正常车辆行驶行为、正常收费员行为的的不同之处，建立规则模型，并对于所有的车辆、收费员进行规则模型判断，匹配出可疑车辆和收费员，再通过稽查人员根据流水和视频数据进行确认。
设计方案：本发明的目的采用以下技术方案实现。
一种基于大数据的高速公路智能实时收费分析系统，所述系统包括多维数据分析平台、数据实时处理平台、智能决策平台和核查平台。
其中，所述多维数据分析平台用于对大数据平台的高速公路业务数据进行分析，同时对获取的数据进行机器学习模型的训练和指标的加工。
其中，所述数据实时处理平台基于流处理大数据技术，通过增量式的实时计算，把采集过来的原始高速公路流水数据，计算加工成指标。
其中，所述智能决策平台包括规则引擎和机器学习模型引擎的双核智能决策引擎，所述智能决策平台基于机器学习模型和加工得到的指标，进行可视化规则配置，优化获得有效的规则模型、上线并执行，采用定时或者实时的方式使用上线的规则模型对生产流水进行决策，决策结果为逃费嫌疑车辆，并将结果传送给所述核查平台。
其中，所述核查平台对所述智能决策平台中执行规则后触发的嫌疑车辆和行程信息进行查看和确认操作，并在确定为逃费嫌疑车辆后即时生产证据链，发布追缴。具体为：针对确认嫌疑车辆设置名单管理。
优选的，所述多维数据分析平台包括数据接入单元、数据管理单元、数据清洗单元、数据分析单元、指标预加工单元和机器学习建模，所述数据接入单元接收来自T+1数据的数据，并经数据清洗、指标预加工、管理、机器学习建模和分析后，通过大数据平台传输给数据实时处理平台。
优选的，所述多维数据分析平台将机器学习建模后的数据结合高速公路收费风险案件特征进行分析，并且固定成为案件规则。
优选的，所述多维数据分析平台中，所述机器学习模型的训练具体为：以DAG工作流的形式使用相应的机器算法和数据生成模型，包括有监督建模和无监督建模。有监督建模和无监督建模；有监督建模包括随机森林、LASSO、决策树、逻辑回归、GBDT、SVM、神经网络算法或朴素贝叶斯。无监督建模包括k-means、谱聚类、PCA或EM算法。
优选的，所述多维数据分析平台的机器学习模型生成多个角度参数的评估报告，评估报告的多个角度参数包括基础指标、图形化展示、阈值划分、混淆矩阵、和概率分段统计。
优选的，所述T+1数据包括底层获取的车道数据、门架数据、收费数据和视频解析后结构化数据。所述大数据平台为数据管理层，数据管理层通过实时、准实时、离线的方式获取和汇总数据。
优选的，所述数据实时处理平台包括指标计算管理单元和指标计算引擎，所述指标计算引擎接收指标计算管理单元的订阅计算脚本、外部实时数据以及多维数据分析平台传输的经机器学习模型处理和分析的离线数据。所述数据实时处理平台基于时间窗口移动对动态数据快速处理，新的增量数据流入数据实时处理平台后根据计算脚本中定义的时间单位，自动识别是否需要合并老数据并更新指标计算结果，同时根据定义的失效时间将旧数据剔除，实现随时间窗口的移动持续得到精确的计算结果。
优选的，所述智能决策平台还包括指标库管理单元、机器学习模型库管理单元和规则库管理单元，所述规则引擎和模型引擎通过指标库管理单元的指标对机器学习模型管理单元和规则库管理单元进行训练和决策，实现规则管理、模型管理和指标管理，并输出决策结果了。
优选的，所述核查平台针对确认嫌疑的车辆设置黑名单，同步给现场人员进行布网追缴，同时在稽查规则制定时提供黑名单规则以提升高速公路收费业务效率。
相比现有技术，本发明的有益效果在于：本系统基于双核智能决策引擎技术，可以很好的支持同时可视化的使用规则和机器学习模型，并且在执行时，规则和机器学习融合一起协同进行，使得规则和机器学习模型可以更高效、更快速、更低成本的融合在一起。比起分开执行的引擎大幅度提升了性能。实现了高速路收费系统的分析、缉查和收费的集成和智能化。
附图说明
图1为本发明基于大数据的高速公路智能实时收费分析系统的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于大数据的高速公路智能实时收费分析系统，参见图1，系统包括多维数据分析平台、数据实时处理平台、智能决策平台和核查平台。
多维数据分析平台
多维数据分析平台包括数据接入单元、数据管理单元、数据清洗单元、数据分析单元、指标预加工单元和机器学习建模，所述数据接入单元接收来自T+1数据的数据，并经数据清洗、指标预加工、管理、机器学习建模和分析后，通过大数据平台传输给数据实时处理平台。
其中，所述T+1数据包括底层获取的车道数据、门架数据、收费数据和视频解析后结构化数据，为前一天的历史数据。
所述大数据平台为数据管理层，数据管理层通过实时、准实时、离线的方式获取和汇总数据。
所述多维数据分析平台用于对大数据平台的高速公路业务数据进行分析，同时对获取的数据进行机器学习模型的训练和指标的加工。
所述多维数据分析平台将机器学习建模后的数据结合高速公路收费风险案件特征进行分析，并且固定成为案件规则。
进一步的，所述机器学习模型的训练具体为：以DAG工作流的形式使用相应的机器算法和数据生成模型，包括有监督建模和无监督建模。
有监督建模和无监督建模；有监督建模包括随机森林、LASSO、决策树、逻辑回归、GBDT、SVM、神经网络算法或朴素贝叶斯等。
无监督建模包括k-means、谱聚类、PCA、或EM算法等。
进一步的，所述多维数据分析平台的机器学习模型生成多个角度参数的评估报告，评估报告的多个角度参数包括基础指标、图形化展示、阈值划分、混淆矩阵、和概率分段统计。
数据实时处理平台
其中，所述数据实时处理平台基于流处理大数据技术，通过增量式的实时计算，把采集过来的原始高速公路流水数据，计算加工成指标。
具体的，数据实时处理平台包括指标计算管理单元和指标计算引擎，所述指标计算引擎接收指标计算管理单元的订阅计算脚本、外部实时数据T+0以及多维数据分析平台传输的经机器学习模型处理和分析的离线数据。
其中，T+0数据为当前实时/准实时数据，所述数据实时处理平台基于时间窗口移动对动态数据快速处理，新的增量数据流入数据实时处理平台后根据计算脚本中定义的时间单位，自动识别是否需要合并老数据并更新指标计算结果，同时根据定义的失效时间将旧数据剔除，实现随时间窗口的移动持续得到精确的计算结果。
智能决策平台
其中，所述智能决策平台包括规则引擎和机器学习模型引擎的双核智能决策引擎，所述智能决策平台基于机器学习模型和加工得到的指标，进行可视化规则配置，优化获得有效的规则模型、上线并执行，采用定时或者实时的方式使用上线的规则模型对生产流水进行决策，决策结果为逃费嫌疑车辆，并将结果传送给所述核查平台。
进一步的，所述智能决策平台还包括指标库管理单元、机器学习模型库管理单元和规则库管理单元，所述规则引擎和模型引擎通过指标库管理单元的指标对机器学习模型管理单元和规则库管理单元进行训练和决策，实现规则管理、模型管理和指标管理，并输出决策结果了。
具体的，对规则包进行管理；在规则包基础上对规则进行管理、测试以及规则上下限功能；在规则基础上，通过选定指定指标，对规则进行阈值和关系的调整；在规则基础上，对规则任务执行进行管理。
所述智能决策平台基于学习和加工出来的坐标，进行指标的可视化配置。具体为：对指标进行分组管理；对指标进行管理；在指标的基础上，对基础字段进行管理，对基础参数进行管理。
智能决策平台通过双核智能协同决策融合规则和机器学习模型，同时支持操作人员通过可视化操作界面在运行过程中调整规则模型，适应多业务变化性需求场景。
核查平台
其中，所述核查平台对所述智能决策平台中执行规则后触发的嫌疑车辆和行程信息进行查看和确认操作，并在确定为逃费嫌疑车辆后即时生产证据链，发布追缴，具体为：针对确认嫌疑车辆设置名单管理。
进一步的，所述核查平台针对确认嫌疑的车辆设置黑名单，同步给现场人员进行布网追缴，同时在稽查规则制定时提供黑名单规则以提升高速公路收费业务效率。
最后参见图1，系统总的业务流程如下：
1)首先T+1的离线数据由数据接人程序每天同步到多维数据分析平台中，T+0的实时数据可以直接接人到数据实时处理平台中，科技人员在多维数据分析平台中对数据质量进行分析，并进行清洗加工处理；
2)数据来到数据实时处理平台后，科技人员可通过配置指标加工脚本，对数据进行实时处理，处理成指标；
3)稽查人员可以在智能决策平台中对指标进行可视化的配置、执行操作。一方面通过手动执行优化得到有效的规则模型，另一方面可以把有效的规则模型上线，采用定时或者实时的方式使用上线的规则模型对生产流水进行决策，决策结果为逃费嫌疑车辆；
4)智能决策平台决策出的逃费嫌疑车辆，通过消息中间件进入核查平台，稽查人员可以在核查平台中对嫌疑车辆进行进一步的核查确认。如若确定为逃费嫌疑车辆，则快速生成证据链，并发布追缴。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于大数据的高速公路智能实时收费分析系统，其特征在于：所述系统包括多维数据分析平台、数据实时处理平台、智能决策平台和核查平台；
其中，所述多维数据分析平台用于对大数据平台的高速公路业务数据进行分析，同时对获取的数据进行机器学习模型的训练和指标的加工；
其中，所述数据实时处理平台基于流处理大数据技术，通过增量式的实时计算，把采集过来的原始高速公路流水数据，计算加工成指标；
其中，所述智能决策平台包括规则引擎和机器学习模型引擎的双核智能决策引擎，所述智能决策平台基于机器学习模型和加工得到的指标，进行可视化规则配置，优化获得有效的规则模型、上线并执行，采用定时或者实时的方式使用上线的规则模型对生产流水进行决策，决策结果为逃费嫌疑车辆，并将结果传送给所述核查平台；
其中，所述核查平台对所述智能决策平台中执行规则后触发的嫌疑车辆和行程信息进行查看和确认操作，并在确定为逃费嫌疑车辆后即时生产证据链，发布追缴。
2.根据权利要求1所述的一种基于大数据的高速公路智能实时收费分析系统，其特征在于：所述多维数据分析平台包括数据接入单元、数据管理单元、数据清洗单元、数据分析单元、指标预加工单元和机器学习建模，所述数据接入单元接收来自T+1数据的数据，并经数据清洗、指标预加工、管理、机器学习建模和分析后，通过大数据平台传输给数据实时处理平台。
3.根据权利要求1或2所述的一种基于大数据的高速公路智能实时收费分析系统，其特征在于：所述多维数据分析平台将机器学习建模后的数据结合高速公路收费风险案件特征进行分析，并且固定成为案件规则。
4.根据权利要求3所述的一种基于大数据的高速公路智能实时收费分析系统，其特征在于：所述多维数据分析平台中，所述机器学习模型的训练具体为:以DAG工作流的形式使用相应的机器算法和数据生成模型，包括有监督建模和无监督建模；有监督建模和无监督建模；有监督建模包括随机森林、LASSO、决策树、逻辑回归、GBDT、SVM、神经网络算法或朴素贝叶斯；无监督建模包括k-means、谱聚类、PCA或EM算法。
5.根据权利要求3所述的一种基于大数据的高速公路智能实时收费分析系统，其特征在于：所述多维数据分析平台的机器学习模型生成多个角度参数的评估报告，评估报告的多个角度参数包括基础指标、图形化展示、阈值划分、混淆矩阵、和概率分段统计。
6.根据权利要求2所述的一种基于大数据的高速公路智能实时收费分析系统，其特征在于：所述T+1数据包括底层获取的车道数据、门架数据、收费数据和视频解析后结构化数据；所述大数据平台为数据管理层，数据管理层通过实时、准实时、离线的方式获取和汇总数据。
7.根据权利要求2所述的一种基于大数据的高速公路智能实时收费分析系统，其特征在于：所述数据实时处理平台包括指标计算管理单元和指标计算引擎，所述指标计算引擎接收指标计算管理单元的订阅计算脚本、外部实时数据以及多维数据分析平台传输的经机器学习模型处理和分析的离线数据；所述数据实时处理平台基于时间窗口移动对动态数据快速处理，新的增量数据流入数据实时处理平台后根据计算脚本中定义的时间单位，自动识别是否需要合并老数据并更新指标计算结果，同时根据定义的失效时间将旧数据剔除，实现随时间窗口的移动持续得到精确的计算结果。
8.根据权利要求7所述的一种基于大数据的高速公路智能实时收费分析系统，其特征在于：所述智能决策平台还包括指标库管理单元、机器学习模型库管理单元和规则库管理单元，所述规则引擎和模型引擎通过指标库管理单元的指标对机器学习模型管理单元和规则库管理单元进行训练和决策，实现规则管理、模型管理和指标管理，并输出决策结果了。
9.根据权利要求1所述的一种基于大数据的高速公路智能实时收费分析系统，其特征在于：所述核查平台针对确认嫌疑的车辆设置黑名单，同步给现场人员进行布网追缴，同时在稽查规则制定时提供黑名单规则以提升高速公路收费业务效率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376631.3A CN113064940A (zh) | 2021-04-07 | 2021-04-07 | 一种基于大数据的高速公路智能实时收费分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376631.3A CN113064940A (zh) | 2021-04-07 | 2021-04-07 | 一种基于大数据的高速公路智能实时收费分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113064940A true CN113064940A (zh) | 2021-07-02 |
Family
ID=76566083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110376631.3A Pending CN113064940A (zh) | 2021-04-07 | 2021-04-07 | 一种基于大数据的高速公路智能实时收费分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113064940A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838221A (zh) * | 2021-09-22 | 2021-12-24 | 招商华软信息有限公司 | 费用追缴方法、装置、存储介质及计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264336A (zh) * | 2019-05-28 | 2019-09-20 | 浙江邦盛科技有限公司 | 一种基于大数据的智能案防系统 |
| CN111341113A (zh) * | 2019-11-05 | 2020-06-26 | 南京感动科技有限公司 | 一种高速公路稽查数据管理分析系统 |
| CN112581642A (zh) * | 2020-12-02 | 2021-03-30 | 四川铁投信息技术产业投资有限公司 | 一种基于高速公路门架计费数据的偷逃费车辆稽查方法 |
-
2021
- 2021-04-07 CN CN202110376631.3A patent/CN113064940A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264336A (zh) * | 2019-05-28 | 2019-09-20 | 浙江邦盛科技有限公司 | 一种基于大数据的智能案防系统 |
| CN111341113A (zh) * | 2019-11-05 | 2020-06-26 | 南京感动科技有限公司 | 一种高速公路稽查数据管理分析系统 |
| CN112581642A (zh) * | 2020-12-02 | 2021-03-30 | 四川铁投信息技术产业投资有限公司 | 一种基于高速公路门架计费数据的偷逃费车辆稽查方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838221A (zh) * | 2021-09-22 | 2021-12-24 | 招商华软信息有限公司 | 费用追缴方法、装置、存储介质及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647539B (zh) | 一种用于车辆故障的预测方法和系统 | |
| CN113963539B (zh) | 高速公路交通事故识别方法、模块及系统 | |
| CN110288823B (zh) | 一种基于朴素贝叶斯网络的交通违章误判识别方法 | |
| CN113673459A (zh) | 基于视频的生产施工场所安全巡检方法、系统、设备 | |
| CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
| CN114048277A (zh) | 一种高速公路智能稽查追逃系统 | |
| CN115691148A (zh) | 一种基于高速公路的智能收费辅助方法、设备及介质 | |
| CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
| CN117312801A (zh) | 基于ai的智慧城市监控系统及方法 | |
| CN113569899A (zh) | 偷逃费行为智能分类方法、存储介质和终端 | |
| CN115309871A (zh) | 一种基于人工智能算法的工业大数据处理方法及系统 | |
| CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
| CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
| CN114913447B (zh) | 基于场景识别的警务智慧指挥室系统及方法 | |
| CN115756922A (zh) | 一种故障预测诊断方法、装置、电子设备及存储介质 | |
| CN113064940A (zh) | 一种基于大数据的高速公路智能实时收费分析系统 | |
| CN118038674A (zh) | 一种基于大数据的监控系统实时动态分析警示系统 | |
| CN113223200A (zh) | 基于指标维度的公路偷逃智能防控方法、存储介质和系统 | |
| CN117710832A (zh) | 一种电网卫星、无人机、视频监控图像智能识别方法 | |
| CN117648658A (zh) | 一种交通违法模型训练过程异常检测方法 | |
| CN115471794A (zh) | 一种基于YOLOv5的智能电厂小目标检测方法及系统 | |
| CN206039847U (zh) | 智能卡口联网系统 | |
| CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
| Qu et al. | Towards efficient traffic crash detection based on macro and micro data fusion on expressways: A digital twin framework | |
| CN118397844B (zh) | 一种融合机器学习算法的智能管控服务器及终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210702 |