CN113223200A - 基于指标维度的公路偷逃智能防控方法、存储介质和系统 - Google Patents

Abstract

本发明提供了一种基于指标维度的公路偷逃智能防控方法、存储介质和系统，方法包括获取偷逃案例、提取特征形成判断规则、行为逻辑化、指标提炼、指标生成加工，最后通过生成的指标，利用可视化界面进行指标化规则配置、模型图像、机器学习模型训练和智能规则输出。方案通过以指标为核心的思路并根据业务经验通过可视化的界面直接操作，组合指标形成规则，提高了准确性；基于时序数据计算而成的复杂统计指标，采用增量式的指标计算思路，快速加工成指标，极大的提高了效率；方法和系统可以满足几百路段业务人员同时进行规则的快速执行，提高了推广应用的可能性。

Description

基于指标维度的公路偷逃智能防控方法、存储介质和系统

技术领域

本发明涉及高速公路电子收费领域，具体涉及一种基基于指标维度的公路偷逃智能防控方法、存储介质和系统。

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：目前缺乏主动发现的有效手段，现有稽核系统，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指标维度的公路偷逃智能防控方法、存储介质和系统，其能解决上述问题。

一种基于指标维度的公路偷逃智能防控方法，方法包括以下步骤：

步骤1、获取偷逃案例：场景解析，人工从路段偷逃通行费案例场景历史中提炼偷逃案例。

步骤2、提取特征形成判断规则：从步骤1的偷逃案例中提取偷逃特征，作为判断是否具有偷逃收费的行为模式，并将该行为模式作为偷逃案例特征维度对应的规则。

步骤3、行为逻辑化：将步骤2中的规则解析到对应数据上，将偷逃行为的模式形成条件逻辑表达式，所述条件逻辑表达式包括指标、运算符、和阈值。

步骤4、指标提炼：将步骤3中条件逻辑表达式的运算符和阈值去除，保留指标。

步骤5、指标生成加工：通过模块配置，编辑数据计算脚本，加工并生成相关指标。

步骤6、通过生成的指标，利用可视化界面进行指标化规则配置、模型图像、机器学习模型训练和智能规则输出。

进一步的，步骤2中总结的不同偷逃通行费案例的偷逃特征包括高速公路业务收费、高速公路路段、车辆信息、车辆行为、运营操作、交易行为和业务员行为。

进一步的，步骤4中提炼的指标包括基础指标、统计指标、图指标和机器学习训练指标。其中，所述基础指标来源于高速公路业务使用的源数据。所述统计指标通过源数据统计计算获得，包括对象配置和时间窗口配置。所述图指标对挖掘分析的数据建立的知识图谱所具备的图形特征进行描述。所述机器学习模型指标是用机器学习模型通过训练预测得出高风险账户以及对特征重要性排序。

进一步的，在步骤4中，通过确定条件，积累形成指标库，使不同偷逃案例中相同的指标能被重复利用，以减少重复指标加工。

进一步的，步骤5中加工并生成相关指标具体如下：

基础指标通过大数据平台，将原始数据对应成业务人员相关需要的数据。

统计指标通过已有的指标进行设置，或者配置自定义脚本的方式直接加工。

图指标需要构建知识图谱，通过图形查询语言编写加工。

机器学习模型指标需要通过机器学习模型训练，根据实际场景对组件函数变量进行调整，或修改算法参数进行优化。

进一步的，步骤6中进行指标化规则配置具体包括：

S611人工按照需求配置运算符和阈值后得到条件，条件之间使用“且”、“或”的逻辑进行组合，形成基础单点规则。

S612单点规则以被嵌套或引用形成组合规则，组合规则分包管理，使规则包对应应用于不同的偷逃场景，对历史数据和增量数据进行挖掘分析，满足各路段按需求进行规则配置。

S613规则包上线运行，对该偷逃场景涉及的历史数据和增量数据进行挖掘分析，最后命中的数据输出结果。

进一步的，所述步骤6中，图指标直接应用于案件画像，具体如下：

将指标的值划分为不同的区间，对应到不同的标签，直接用于嫌疑车辆的可疑特征和员工的可疑业务操作。

进一步的，所述步骤6中，指标直接应用于机器学习模型训练和智能规则输出，具体如下：

S631指标通过机器学习算法进行指标重要分析，筛选出重要指标。

S632基于这些重要指标，通过机器学习算法自动生成运算符和最优阈值，进而产出智能规则。

S633人工分析提炼，对机器学习模型训练后的智能规则进行人工分析判断，进一步提炼可以特征。

S644重复步骤S631-S633，持续优化指标和规则。

本发明还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行前述的偷逃智能防控方法。

本发明还提供了一种基于指标维度的高速公路偷逃智能防控系统，所述高速公路偷逃智能防控系统包括主控台、分控端、移动稽查端、路由器和数据采集端，所述路由器与所述主控台电讯链接，所述路由器与分控端和移动稽查端无线通信。

所述主控台包括计算机和显示器，所述计算机包括存储器和处理器，所述存储器储存有偷逃案例、数据采集端实时传输的数据和能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行权利要求1-8任一项所述的偷逃智能防控方法。

所述分控端由人工远程发送业务数据、调整规则和逻辑表达式，并根据需要修正指标。

所述移动稽查端接收主控台实时发送逃费嫌疑信息，并由随身携带移动稽查端的稽查人员进一步确认车辆是否偷逃路费，若是则显示偷逃证据链进行实时实地追缴，并将处理结果的核查数据反馈给主控台。

多个所述数据采集端实时采集门架流水数据、收费流水数据、站点数据、车道数据、和车牌数据并反馈给主控台。

相比现有技术，本发明的有益效果在于：本申请在设计中引入了以指标为核心的思路，通过深入挖掘业务规律，根据业务特点建设指标体系，业务人员根据自己业务经验通过可视化的界面直接操作，组合指标形成规则，并使用规则匹配生产流水数据，找出符合规则的车辆和收费员，提高了准确性。

此外，在指标体系中的指标除了基础指标外，大部分是基于时序数据计算而成的复杂统计指标，通过数据实时处理技术，采用增量式的指标计算思路，根据每天流过来的流水数据进行实时计算，快速加工成指标，极大的提高了效率。

最后，在基于指标组合成规则执行的过程中，采用智能决策技术，并利用批式调度决策。可以满足几百路段业务人员同时进行规则的快速执行，提高了推广应用的可能性。

附图说明

图1为本发明基于指标维度的高速公路偷逃智能防控方法的流程图；

图2为指标可视化管理界面图；

图3为指标管理示例图；

图4为基于指标维度的高速公路偷逃智能防控系统示意图。

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。

应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

第一实施例

一种基于指标维度的高速公路偷逃智能防控方法，方法包括以下步骤：

步骤1、获取偷逃案例：场景解析，人工从路段偷逃通行费案例场景历史中提炼偷逃案例；

步骤2、提取特征形成判断规则：从步骤1的偷逃案例中提取偷逃特征，作为判断是否具有偷逃收费的行为模式，并将该行为模式作为偷逃案例特征维度对应的规则。其中，不同偷逃通行费案例的偷逃特征包括高速公路业务收费、高速公路路段、车辆信息、车辆行为、运营操作、交易行为和业务员行为。

步骤3、行为逻辑化：将步骤2中的规则解析到对应数据上，将偷逃行为的模式形成条件逻辑表达式，所述条件逻辑表达式包括指标、运算符、和阈值；

步骤4、指标提炼：将步骤3中条件逻辑表达式的运算符和阈值去除，保留指标。

其中，提炼的指标包括基础指标、统计指标、图指标和机器学习训练指标。

具体如下：

基础指标来源于高速公路业务使用的源数据。

统计指标通过源数据统计计算获得，包括对象配置和时间窗口配置。

图指标对挖掘分析的数据建立的知识图谱所具备的图形特征进行描述。

机器学习模型指标是用机器学习模型通过训练预测得出高风险账户以及对特征重要性排序。

上述指标分类是基于入口识别车牌、入口实际车牌、入口ETC卡、入口OBU、入口操作员、出口识别车牌、出口实际车牌、出口ETC卡、出口OBU、出口操作员10个统计主体分类的。围绕这10个主体为核心建立指标200多个，示例如下表-1。

表-1指标与主题对应示例图

通过确定条件，积累形成指标库，使不同偷逃案例中相同的指标能被重复利用，以减少重复指标加工。

步骤5、指标生成加工：通过模块配置，编辑数据计算脚本，加工并生成相关指标。包括指标计算、基础指标、时序聚合统计指标计算、复杂关联统计指标计算和高速指标缓存。通过系统的指标计算把数据实时、快速、准确的加工成指标。

进一步的，步骤5中加工并生成相关指标具体如下：

基础指标通过大数据平台，将原始数据对应成业务人员相关需要的数据；

统计指标通过已有的指标进行设置，或者配置自定义脚本的方式直接加工；

图指标需要构建知识图谱，通过图形查询语言编写加工；

机器学习模型指标需要通过机器学习模型训练，根据实际场景对组件函数变量进行调整，或修改算法参数进行优化。

步骤6、通过生成的指标，利用可视化界面进行指标化规则配置、模型图像、机器学习模型训练和智能规则输出。

步骤6中进行指标化规则配置具体包括：

S611人工按照需求配置运算符和阈值后得到条件，条件之间使用“and”、“or”的逻辑进行组合，形成基础单点规则。

S612单点规则以被嵌套或引用形成组合规则，组合规则分包管理，使规则包对应应用于不同的偷逃场景，对历史数据和增量数据进行挖掘分析，满足各路段按需求进行规则配置。

S613规则包上线运行，对该偷逃场景涉及的历史数据和增量数据进行挖掘分析，最后命中的数据输出结果。

步骤6中，图指标直接应用于案件画像，具体如下：

将指标的值划分为不同的区间，对应到不同的标签，直接用于嫌疑车辆的可疑特征和员工的可疑业务操作。

进一步的，指标直接应用于机器学习模型训练和智能规则输出，具体如下：

S631指标通过机器学习算法进行指标重要分析，筛选出重要指标；

S632基于这些重要指标，通过机器学习算法自动生成运算符和最优阈值，进而产出智能规则；

S633人工分析提炼，对机器学习模型训练后的智能规则进行人工分析判断，进一步提炼可以特征；

S644重复步骤S631-S633，持续优化指标和规则。

指标可视化管理界面如图2所示，包括新建分组、删除分组、修改分组功能。指标管理还可包括新建指标、复制指标、修改指标、删除指标、移动指标功能，以出口OBU的指标管理示例图参见图3。

第二实施例

本发明还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行前述方法的步骤。其中，所述方法请参见前述部分的详细介绍，此处不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

第三实施例

一种基于指标维度的高速公路偷逃智能防控系统，参见图4高速公路偷逃智能防控系统包括主控台1、分控端2、移动稽查端3、路由器4和数据采集端5，所述路由器4与所述主控台1电讯链接，所述路由器4与分控端2和移动稽查端3无线通信。

主控台1包括计算机和显示器，所述计算机包括存储器和处理器，所述存储器储存有偷逃案例、数据采集端5实时传输的数据和能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行前述偷逃智能防控方法。其形式为具有大型处理器的电脑。

分控端2人工远程发送业务数据、调整规则和逻辑表达式，并根据需要修正指标。形式为装载防控系统软件的笔记本电脑等形式。

移动稽查端3接收主控台1实时发送逃费嫌疑信息，并由随身携带移动稽查端3的稽查人员进一步确认车辆是否偷逃路费，若是则显示偷逃证据链进行实时实地追缴，并将处理结果的核查数据反馈给主控台1。其形式为装载防控系统软件的手机等形式。

多个所述数据采集端5实时采集门架流水数据、收费流水数据、站点数据、车道数据、和车牌数据并反馈给主控台1。

应当说明的是，主控台1、分控端2由业务人员(具有高速公路偷逃防控系统训练的技术人员以及系统开发的科技人员)操作，而移动稽查端3由稽查人员、如交警等操作。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

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 (10)

1.一种基于指标维度的公路偷逃智能防控方法，其特征在于，方法包括以下步骤：

步骤1、获取偷逃案例：场景解析，人工从路段偷逃通行费案例场景历史中提炼偷逃案例；

步骤2、提取特征形成判断规则：从步骤1的偷逃案例中提取偷逃特征，作为判断是否具有偷逃收费的行为模式，并将该行为模式作为偷逃案例特征维度对应的规则；

步骤3、行为逻辑化：将步骤2中的规则解析到对应数据上，将偷逃行为的模式形成条件逻辑表达式，所述条件逻辑表达式包括指标、运算符、和阈值；

步骤4、指标提炼：将步骤3中条件逻辑表达式的运算符和阈值去除，保留指标；

步骤5、指标生成加工：通过模块配置，编辑数据计算脚本，加工并生成相关指标；

步骤6、通过生成的指标，利用可视化界面进行指标化规则配置、模型图像、机器学习模型训练和智能规则输出。

2.根据权利要求1所述的偷逃智能防控方法，其特征在于：步骤2中总结的不同偷逃通行费案例的偷逃特征包括高速公路业务收费、高速公路路段、车辆信息、车辆行为、运营操作、交易行为和业务员行为。

3.根据权利要求1所述的偷逃智能防控方法，其特征在于：步骤4中提炼的指标包括基础指标、统计指标、图指标和机器学习训练指标；其中，

所述基础指标来源于高速公路业务使用的源数据；

所述统计指标通过源数据统计计算获得，包括对象配置和时间窗口配置；

所述图指标对挖掘分析的数据建立的知识图谱所具备的图形特征进行描述；

所述机器学习模型指标是用机器学习模型通过训练预测得出高风险账户以及对特征重要性排序。

4.根据权利要求1所述的偷逃智能防控方法，其特征在于：在步骤4中，通过确定条件，积累形成指标库，使不同偷逃案例中相同的指标能被重复利用，以减少重复指标加工。

5.根据权利要求3所述的偷逃智能防控方法，其特征在于：步骤5中加工并生成相关指标具体如下：

基础指标通过大数据平台，将原始数据对应成业务人员相关需要的数据；

统计指标通过已有的指标进行设置，或者配置自定义脚本的方式直接加工；

图指标需要构建知识图谱，通过图形查询语言编写加工；

机器学习模型指标需要通过机器学习模型训练，根据实际场景对组件函数变量进行调整，或修改算法参数进行优化。

6.根据权利要求1所述的偷逃智能防控方法，其特征在于：步骤6中进行指标化规则配置具体包括：

S611人工按照需求配置运算符和阈值后得到条件，条件之间使用“且”、“或”的逻辑进行组合，形成基础单点规则；

S612单点规则以被嵌套或引用形成组合规则，组合规则分包管理，使规则包对应应用于不同的偷逃场景，对历史数据和增量数据进行挖掘分析，满足各路段按需求进行规则配置；

S613规则包上线运行，对该偷逃场景涉及的历史数据和增量数据进行挖掘分析，最后命中的数据输出结果。

7.根据权利要求1所述的偷逃智能防控方法，其特征在于：所述步骤6中，图指标直接应用于案件画像，具体如下：

将指标的值划分为不同的区间，对应到不同的标签，直接用于嫌疑车辆的可疑特征和员工的可疑业务操作。

8.根据权利要求1所述的偷逃智能防控方法，其特征在于：所述步骤6中，指标直接应用于机器学习模型训练和智能规则输出，具体如下：

S631指标通过机器学习算法进行指标重要分析，筛选出重要指标；

S632基于这些重要指标，通过机器学习算法自动生成运算符和最优阈值，进而产出智能规则；

S633人工分析提炼，对机器学习模型训练后的智能规则进行人工分析判断，进一步提炼可以特征；

S644重复步骤S631-S633，持续优化指标和规则。

9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于：所述计算机指令运行时执行权利要求1-8任一项所述的偷逃智能防控方法。

10.一种基于指标维度的高速公路偷逃智能防控系统，其特征在于：所述高速公路偷逃智能防控系统包括主控台(1)、分控端(2)、移动稽查端(3)、路由器(4)和数据采集端(5)，所述路由器(4)与所述主控台(1)电讯链接，所述路由器(4)与分控端(2)和移动稽查端(3)无线通信；

所述主控台(1)包括计算机和显示器，所述计算机包括存储器和处理器，所述存储器储存有偷逃案例、数据采集端(5)实时传输的数据和能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行权利要求1-8任一项所述的偷逃智能防控方法；

所述分控端(2)由人工远程发送业务数据、调整规则和逻辑表达式，并根据需要修正指标；

所述移动稽查端(3)接收主控台(1)实时发送逃费嫌疑信息，并由随身携带移动稽查端(3)的稽查人员进一步确认车辆是否偷逃路费，若是则显示偷逃证据链进行实时实地追缴，并将处理结果的核查数据反馈给主控台(1)；

多个所述数据采集端(5)实时采集门架流水数据、收费流水数据、站点数据、车道数据、和车牌数据并反馈给主控台(1)。

Images