CN116229594A - 一种基于高速公路的车辆收费监测方法、设备及介质 - Google Patents

Abstract

本申请公开了一种基于高速公路的车辆收费监测方法、设备及介质，方法包括：在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；将路网多源业务数据进行数据融合，得到车辆的通行行为信息；根据通行行为信息，生成车辆的车辆静态标签、车辆通行标签以及车辆预测标签；车辆静态标签用于标识车辆的属性信息，车辆通行标签用于标识车辆的通行信息，车辆预测标签用于标识车辆在下次上高速公路时所行驶的预测出口站、以及车辆是否存在逃费；根据车辆静态标签、车辆通行标签以及车辆预测标签，生成车辆的车辆行为画像，以对车辆进行收费监测。通过能够反映车辆是否逃费的车辆行为画像，提高车辆收费监测效率。

Description

一种基于高速公路的车辆收费监测方法、设备及介质

技术领域

本申请涉及交通技术领域，尤其涉及一种基于高速公路的车辆收费监测方法、设备及介质。

背景技术

全国高速公路实现一张网运营，联网收费模式发生巨大变化。路网内建设收费门架系统，路网通行车辆依托于ETC门架系统进行计费，且单次里程更长、路况更加复杂，同时每天路网产生海量的业务数据，比如，入口数据、治超数据、门架交易数据、牌识数据、出口数据等，导致车辆出现偷逃费的情况，例如，屏蔽计费设备、倒换卡、甩挂等行为。

目前，在有效避免车辆出现偷逃费的情况时，通常是将业务数据直接形成车辆的行为画像，然后人工对车辆的行为画像进行分析，确定车辆是否存在逃费，从而查找到逃费车辆，导致浪费人力物力，车辆收费监测效率低。

发明内容

本申请实施例提供一种基于高速公路的车辆收费监测方法、设备及介质，用于解决车辆收费监测效率低的问题。

本申请实施例采用下述技术方案：

一方面，本申请实施例提供了一种基于高速公路的车辆收费监测方法，该方法包括：在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；所述路网多源业务数据包括入口数据、出口数据、门架交易数据以及牌识数据中的至少两种；将所述路网多源业务数据进行数据融合，得到所述车辆的通行行为信息；所述通行行为信息包括所述车辆的多次通行流水信息；根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签；所述车辆静态标签用于标识所述车辆的属性信息，所述车辆通行标签用于标识所述车辆的通行信息，所述车辆预测标签用于标识所述车辆在下次上所述高速公路时所行驶的预测出口站、以及所述车辆是否存在逃费；根据所述车辆静态标签、车辆通行标签以及车辆预测标签，生成所述车辆的车辆行为画像；根据所述车辆行为画像，对所述车辆进行收费监测。

一个示例中，所述根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签，具体包括：根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签；车辆静态标签信息包括车牌号、车牌颜色、车辆型号、驾驶员信息；所述车辆通行标签包括车辆通行次数、车辆通行路段、CPC使用次数、ETC使用次数、入口车道类型、出口车道类型、通行异常标签；其中，车辆的一种异常行为信息对应一种通行异常标签；所述异常行为信息包括超时、出口无卡、出口坏卡、入出口车型不一致、入出口车牌不一致、计费异常、兜底计费中的至少一种；根据所述车辆通行路段与所述通行异常标签，生成所述车辆预测标签。

一个示例中，所述根据所述车辆通行路段与所述通行异常标签，生成所述车辆预测标签，具体包括：若所述车辆通行路段为多个，则在多个车辆通行路段中，将所述车辆通行次数最多的通行路段确定为所述车辆的常通行路段；根据所述常通行路段，对所述车辆在下次上所述高速公路时所行驶的出口站进行预测，生成预测出口站；判断所述通行异常标签的数量是否大于预设数量阈值；若是，则确定所述车辆存在逃费；若否，则确定所述车辆不存在逃费；根据所述预测出口站与所述车辆是否存在逃费，确定车辆预测标签信息，以根据所述车辆标签信息，生成车辆预测标签。

一个示例中，所述根据所述车辆行为画像，对所述车辆进行收费监测，具体包括：将所述车辆行为画像输出至车辆行为画像队列；判断所述车辆预测标签信息是否包括所述车辆存在逃费；若是，则根据所述车辆预测标签信息，生成所述车辆的第一预警信息，并将所述第一预警信息推送至用户终端设备；若否，则从所述车辆行为画像队列中，获取所述车辆的预设数量的历史车辆行为画像；确定所述历史车辆行为画像与所述车辆行为画像中的通行异常标签统计数量；判断所述通行异常标签统计数量是否大于预设统计数量阈值；若是，则根据所述历史车辆行为画像与所述车辆行为画像中的通行异常标签，生成所述车辆的第二预警信息，并将所述第二预警信息推送至所述用户终端设备。

一个示例中，所述方法还包括：接收所述用户终端设备上传的所述车辆的通行费补缴信息；根据所述通行费补缴信息，对所述车辆行为画像中的车辆预测标签进行标记。

一个示例中，根据所述通行行为信息，生成所述车辆的通行异常标签，具体包括：根据预先构建的分析模型，对所述通行行为信息进行稽核分析，确定异常通行流水；对所述异常通行流水进行分类，生成所述车辆的通行异常标签。

一个示例中，所述根据预先构建的分析模型，对所述通行行为信息进行稽核分析，确定异常通行流水，具体包括：确定所述通行行为信息的一条通行流水；从所述通行流水的出口流水表中，获取所述车辆的出口车型信息；以及从所述通行流水的入口流水表中，获取所述车辆的入口车型信息；将所述出口车型信息与所述入口车型信息进行对比，判断所述入口车型信息与所述出口车型信息是否一致；若否，则确定所述通行流水为异常通行流水。

一个示例中，所述根据预先构建的分析模型，对所述通行行为信息进行稽核分析，确定异常通行流水，具体包括：确定所述通行行为信息的一条通行流水；根据所述通行流水的入口流水、出口流水、门架流水以及牌识流水，还原所述车辆在所述高速公路上的行驶路线；根据所述行驶路线与所述车辆的基础信息，计算所述车辆的理论通行费金额；从所述通行流水中，确定所述车辆收取的实际通行费金额；确定所述理论通行费金额与所述实际通行费金额之间的差值；判断所述差值是否大于预设差值阈值；若是，则确定所述通行流水为异常通行流水。

另一方面，本申请实施例提供了一种基于高速公路的车辆收费监测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；所述路网多源业务数据包括入口数据、出口数据、门架交易数据以及牌识数据中的至少两种；将所述路网多源业务数据进行数据融合，得到所述车辆的通行行为信息；所述通行行为信息包括所述车辆的多次通行流水信息；根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签；所述车辆静态标签用于标识所述车辆的属性信息，所述车辆通行标签用于标识所述车辆的通行信息，所述车辆预测标签用于标识所述车辆在下次上所述高速公路时所行驶的预测出口站、以及所述车辆是否存在逃费；根据所述车辆静态标签、车辆通行标签以及车辆预测标签，生成所述车辆的车辆行为画像；根据所述车辆行为画像，对所述车辆进行收费监测。

另一方面，本申请实施例提供了一种基于高速公路的车辆收费监测非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；所述路网多源业务数据包括入口数据、出口数据、门架交易数据以及牌识数据中的至少两种；将所述路网多源业务数据进行数据融合，得到所述车辆的通行行为信息；所述通行行为信息包括所述车辆的多次通行流水信息；根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签；所述车辆静态标签用于标识所述车辆的属性信息，所述车辆通行标签用于标识所述车辆的通行信息，所述车辆预测标签用于标识所述车辆在下次上所述高速公路时所行驶的预测出口站、以及所述车辆是否存在逃费；根据所述车辆静态标签、车辆通行标签以及车辆预测标签，生成所述车辆的车辆行为画像；根据所述车辆行为画像，对所述车辆进行收费监测。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

能够通过生成车辆的车辆静态标签、车辆通行标签以及车辆预测标签，形成车辆的车辆行为画像，能够通过车辆行为画像主动预测车辆是否存在逃费，及时筛选出异常车辆，以能够精确查找逃费车辆，提高车辆收费监测效率。

附图说明

为了更清楚地说明本申请的技术方案，下面将结合附图来对本申请的部分实施例进行详细说明，附图中：

图1为本申请实施例提供的一种基于高速公路的车辆收费监测系统的框架示意图；

图2为本申请实施例提供的一种基于高速公路的车辆收费监测方法的流程示意图；

图3为本申请实施例提供的一种基于高速公路的车辆收费监测设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面参照附图来对本申请的一些实施例进行详细说明。

图1为本申请实施例提供的一种基于高速公路的车辆收费监测系统的框架示意图。

在图1中，系统包括数据源、采集层、存储层、计算层、服务层、业务层。

其中，数据源主要是整个路网产生的业务数据，包括入口数据、治超数据、门架交易数据、牌识数据、出口数据、绿通数据、基础数据等信息。采集层用于采集路网的业务数据，将业务数据同步到数据中心。存储层用于存储路网业务数据，分为分析库(原始库)、业务库(用于存储业务中间数据)。计算层用于原始数据的分析计算，用于模型算法分析、画像分析等。服务层用于对外提供服务，包括路径查询、数据明细查询、车辆画像查询等服务功能。业务层是用户操作业务系统进行业务操作，包括疑似漏逃费车辆稽核、证据链管理、追缴等业务。

接下来通过图2对车辆收费监测方法进行具体解释说明，应用于图1的系统中。

图2为本申请实施例提供的一种基于高速公路的车辆收费监测方法的流程示意图。该方法可以应用于不同的业务领域，该流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。

本申请实施例涉及的分析方法的实现可以为终端设备，也可以为服务器，本申请对此不作特殊限制。为了方便理解和描述，以下实施例均以服务器为例进行详细描述。

需要说明的是，该服务器可以是单独的一台设备，可以是有多台设备组成的系统，即，分布式服务器，本申请对此不做具体限定。

图2中的流程可以包括以下步骤：

S201：在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；所述路网多源业务数据包括入口数据、出口数据、门架交易数据以及牌识数据中的至少两种。

需要说明的是，预设周期可以根据实际需要进行设置，比如，一天。

S202：将所述路网多源业务数据进行数据融合，得到所述车辆的通行行为信息；所述通行行为信息包括所述车辆的多次通行流水信息。

其中，数据融合能够更好的对车辆从多维度、多角度的统计分析，方便更全面地分析车辆行驶行为，对异常的车辆行为进行预警。

S203：根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签；所述车辆静态标签用于标识所述车辆的属性信息，所述车辆通行标签用于标识所述车辆的通行信息，所述车辆预测标签用于标识所述车辆在下次上所述高速公路时所行驶的预测出口站、以及所述车辆是否存在逃费。

在本申请的一些实施例中，根据通行行为信息，生成车辆的车辆静态标签、车辆通行标签。然后，根据车辆通行路段与通行异常标签，生成车辆预测标签。

其中，车辆静态标签信息包括车牌号、车牌颜色、车辆型号、驾驶员信息、车辆发行信息、核载人数、关联OBU号等基础信息。

车辆通行标签包括车辆通行次数、车辆通行路段、CPC使用次数、ETC使用次数、入口车道类型、出口车道类型、通行异常标签、总通行里程、总交易金额、支付方式类型、通行介质、车辆特情等信息。

需要说明的是，车辆的一种异常行为信息对应一种通行异常标签。异常行为信息包括超时、出口无卡、出口坏卡、入出口车型不一致、入出口车牌不一致、计费异常、兜底计费中的至少一种。

车辆预测标签主要是从分析预测的角度进行讨论，主要包括车辆常去地、车辆常通行路段、车辆通行是否逃费等，通过精准的预测标签，预测车辆是否涉嫌逃费，由业务人员针对重点车辆进行核实。比如，根据车辆常行驶入口站、常行驶出口站、常行驶高速等信息，对车辆可能行驶的出口高速、出口站进行预测。

进一步地，根据通行行为信息，生成车辆的通行异常标签时，根据预先构建的分析模型，对通行行为信息进行稽核分析，确定异常通行流水，对异常通行流水进行分类，生成车辆的通行异常标签。能够对车辆的每次异常通行流水进行标签化。

其中，分析模型主要分为：大车小标、路径异常、计费异常、倒换卡、与历史车型不符、全程无抓拍、计费路径和牌识路径不一致、有入无出、有出无入、U/J型行驶、兜底计费、超时、无卡/坏卡、出口无卡、出口坏卡、特殊免费、入出口车型不一致、入出口车牌不一致，超时、U型等。

例如，在确定入出口车型是否不一致时，首先确定通行行为信息的一条通行流水，然后从通行流水的出口流水表中，获取车辆的出口车型信息，以及从通行流水的入口流水表中，获取车辆的入口车型信息。

将出口车型信息与入口车型信息进行对比，判断入口车型信息与出口车型信息是否一致。

若否，则确定通行流水为异常通行流水，即，车辆的通行异常标签为入出口车型不一致。

例如，在确定计费金额是否异常时，首先确定通行行为信息的一条通行流水，然后根据通行流水的入口流水、出口流水、门架流水以及牌识流水，还原车辆在高速公路上的行驶路线，根据行驶路线与车辆的基础信息，计算车辆的理论通行费金额。

从通行流水中，确定车辆收取的实际通行费金额，确定理论通行费金额与实际通行费金额之间的差值。

判断所述差值是否大于预设差值阈值；若是，则确定所述通行流水为异常通行流水。即，车辆的通行异常标签为计费金额异常。

进一步地，根据车辆通行路段与通行异常标签，生成车辆预测标签时，包括：若车辆通行路段为多个，则在多个车辆通行路段中，将车辆通行次数最多的通行路段确定为车辆的常通行路段。然后，根据常通行路段，对车辆在下次上高速公路时所行驶的出口站进行预测，生成预测出口站。然后，判断通行异常标签的数量是否大于预设数量阈值。

若是，则确定车辆存在逃费；若否，则确定车辆不存在逃费；根据预测出口站与车辆是否存在逃费，确定车辆预测标签信息，以根据车辆标签信息，生成车辆预测标签。

S204：根据所述车辆静态标签、车辆通行标签以及车辆预测标签，生成所述车辆的车辆行为画像。

S205：根据所述车辆行为画像，对所述车辆进行收费监测。

在本申请的一些实施例中，将车辆行为画像输出至车辆行为画像队列。

从而可以在车辆行为画像中，判断车辆预测标签信息是否包括车辆存在逃费。

若是，则根据车辆预测标签信息，生成车辆的第一预警信息，并将第一预警信息推送至用户终端设备。比如，第一预警信息为车辆存在逃费，车辆通行异常标签，车辆下次上高速可能行驶的出口站。从而能够在车辆再次上高速时进行提前预警，让用户在出口站及时对该车辆进行排查。

若预设周期较短时，考虑到当前周期内车辆通行行为信息可能无法反映出车辆的通行特点。

基于此，若当前周期内车辆预测标签信息不包括车辆存在逃费，则从车辆行为画像队列中，获取车辆的预设数量的历史车辆行为画像。

然后，确定历史车辆行为画像与车辆行为画像中的通行异常标签统计数量。

判断通行异常标签统计数量是否大于预设统计数量阈值。比如，兜底计费、超时共计4次，预设统计数量阈值为3次。

若是，则根据历史车辆行为画像与车辆行为画像中的通行异常标签，生成车辆的第二预警信息，并将第二预警信息推送至用户终端设备。比如，第二预警信息为车辆的通行异常标签，车辆存在逃费，车辆下次上高速可能行驶的出口站。

在本申请的一些实施例中，证据链是用户对逃费车辆从事件稽核、确认、认定过程的主要依据，也是做为后期通行费追缴的主要依据。对经过用户反复核实确认的漏逃费车辆，对从实际发生的起点出发，以客观事实为依据，以中间的发生事件为线索，形成具有事实清楚、逻辑严谨的结构化信息链条，将证据链推送至逃费车辆。

证据链管理的核心围绕稽核标签，对疑似逃费车辆流水的出入口信息、门架通行信息、抓拍信息等进行整合，最终以数据、图片、文档、视频等方式进行展示，形成可视化的证据链报告。

证据链信息整合包括以下几大类：

整体稽核结论信息：如大车小标、U型行驶等，用文字进行整体性的稽核结论概述。

入口流水信息：列举入口流水关键信息，并展示入口抓拍。

出口流水信息：列举出口流水关键信息，并展示出口抓拍。

门架交易流水信息：列举当次通行的所有门架交易信息，并可以查看每个门架抓拍的信息。

牌识信息：列举当次通行的牌识流水信息。

路径信息：展示当次通行的地图路径，直观的展示车辆的行驶轨迹。

也就是说，用户核实车辆存在逃费现象，则会发起工单进行追缴，将证据链推送至逃费车辆，从而使得车辆可以进行自动补缴通行费。

基于此，接收用户终端设备上传的车辆的通行费补缴信息，根据通行费补缴信息，对车辆行为画像中的车辆预测标签进行标记。比如，在车辆预测标签中，车辆存在逃费的后面，标记上车辆已经补缴通行费。

需要说明的是，虽然本申请实施例是参照图2来对步骤S201至步骤S205依次进行介绍说明的，但这并不代表步骤S201至步骤S205必须按照严格的先后顺序执行。本申请实施例之所以按照图2中所示的顺序对步骤S201至步骤S205依次进行介绍说明，是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说，在本申请实施例中，步骤S201至步骤S205之间的先后顺序可以根据实际需要进行适当调整。

通过图2的方法，借助于大数据计算的优势，依据车辆入口流水、ETC交易流水、牌识流水、出口流水等，对当前周期内的车辆历史通行行为进行全要素分析，结合人工智能算法进行异常行为标定，能够通过生成车辆的车辆静态标签、车辆通行标签以及车辆预测标签，形成车辆的车辆行为画像，能够通过车辆行为画像主动预测车辆是否存在逃费，及时筛选出异常车辆，以能够精确查找逃费车辆，提高车辆收费监测效率。

基于同样的思路，本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。

图3为本申请实施例提供的一种基于高速公路的车辆收费监测设备的结构示意图，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；所述路网多源业务数据包括入口数据、出口数据、门架交易数据以及牌识数据中的至少两种；

将所述路网多源业务数据进行数据融合，得到所述车辆的通行行为信息；所述通行行为信息包括所述车辆的多次通行流水信息；

根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签；所述车辆静态标签用于标识所述车辆的属性信息，所述车辆通行标签用于标识所述车辆的通行信息，所述车辆预测标签用于标识所述车辆在下次上所述高速公路时所行驶的预测出口站、以及所述车辆是否存在逃费；

根据所述车辆静态标签、车辆通行标签以及车辆预测标签，生成所述车辆的车辆行为画像；

根据所述车辆行为画像，对所述车辆进行收费监测。

本申请的一些实施例提供的一种基于高速公路的车辆收费监测非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；所述路网多源业务数据包括入口数据、出口数据、门架交易数据以及牌识数据中的至少两种；

将所述路网多源业务数据进行数据融合，得到所述车辆的通行行为信息；所述通行行为信息包括所述车辆的多次通行流水信息；

根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签；所述车辆静态标签用于标识所述车辆的属性信息，所述车辆通行标签用于标识所述车辆的通行信息，所述车辆预测标签用于标识所述车辆在下次上所述高速公路时所行驶的预测出口站、以及所述车辆是否存在逃费；

根据所述车辆静态标签、车辆通行标签以及车辆预测标签，生成所述车辆的车辆行为画像；

根据所述车辆行为画像，对所述车辆进行收费监测。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

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(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等，均应落入本申请的保护范围之内。

Claims (10)

1.一种基于高速公路的车辆收费监测方法，其特征在于，所述方法包括：

在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；所述路网多源业务数据包括入口数据、出口数据、门架交易数据以及牌识数据中的至少两种；

将所述路网多源业务数据进行数据融合，得到所述车辆的通行行为信息；所述通行行为信息包括所述车辆的多次通行流水信息；

根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签；所述车辆静态标签用于标识所述车辆的属性信息，所述车辆通行标签用于标识所述车辆的通行信息，所述车辆预测标签用于标识所述车辆在下次上所述高速公路时所行驶的预测出口站、以及所述车辆是否存在逃费；

根据所述车辆静态标签、车辆通行标签以及车辆预测标签，生成所述车辆的车辆行为画像；

根据所述车辆行为画像，对所述车辆进行收费监测。

2.根据权利要求1所述的方法，其特征在于，所述根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签，具体包括：

根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签；车辆静态标签信息包括车牌号、车牌颜色、车辆型号、驾驶员信息；所述车辆通行标签包括车辆通行次数、车辆通行路段、CPC使用次数、ETC使用次数、入口车道类型、出口车道类型、通行异常标签；其中，车辆的一种异常行为信息对应一种通行异常标签；所述异常行为信息包括超时、出口无卡、出口坏卡、入出口车型不一致、入出口车牌不一致、计费异常、兜底计费中的至少一种；

根据所述车辆通行路段与所述通行异常标签，生成所述车辆预测标签。

3.根据权利要求2所述的方法，其特征在于，所述根据所述车辆通行路段与所述通行异常标签，生成所述车辆预测标签，具体包括：

若所述车辆通行路段为多个，则在多个车辆通行路段中，将所述车辆通行次数最多的通行路段确定为所述车辆的常通行路段；

根据所述常通行路段，对所述车辆在下次上所述高速公路时所行驶的出口站进行预测，生成预测出口站；

判断所述通行异常标签的数量是否大于预设数量阈值；

若是，则确定所述车辆存在逃费；

若否，则确定所述车辆不存在逃费；

根据所述预测出口站与所述车辆是否存在逃费，确定车辆预测标签信息，以根据所述车辆标签信息，生成车辆预测标签。

4.根据权利要求3所述的方法，其特征在于，所述根据所述车辆行为画像，对所述车辆进行收费监测，具体包括：

将所述车辆行为画像输出至车辆行为画像队列；

判断所述车辆预测标签信息是否包括所述车辆存在逃费；

若是，则根据所述车辆预测标签信息，生成所述车辆的第一预警信息，并将所述第一预警信息推送至用户终端设备；

若否，则从所述车辆行为画像队列中，获取所述车辆的预设数量的历史车辆行为画像；

确定所述历史车辆行为画像与所述车辆行为画像中的通行异常标签统计数量；

判断所述通行异常标签统计数量是否大于预设统计数量阈值；

若是，则根据所述历史车辆行为画像与所述车辆行为画像中的通行异常标签，生成所述车辆的第二预警信息，并将所述第二预警信息推送至所述用户终端设备。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

接收所述用户终端设备上传的所述车辆的通行费补缴信息；

根据所述通行费补缴信息，对所述车辆行为画像中的车辆预测标签进行标记。

6.根据权利要求2所述的方法，其特征在于，根据所述通行行为信息，生成所述车辆的通行异常标签，具体包括：

根据预先构建的分析模型，对所述通行行为信息进行稽核分析，确定异常通行流水；

对所述异常通行流水进行分类，生成所述车辆的通行异常标签。

7.根据权利要求6所述的方法，其特征在于，所述根据预先构建的分析模型，对所述通行行为信息进行稽核分析，确定异常通行流水，具体包括：

确定所述通行行为信息的一条通行流水；

从所述通行流水的出口流水表中，获取所述车辆的出口车型信息；以及从所述通行流水的入口流水表中，获取所述车辆的入口车型信息；

将所述出口车型信息与所述入口车型信息进行对比，判断所述入口车型信息与所述出口车型信息是否一致；

若否，则确定所述通行流水为异常通行流水。

8.根据权利要求6所述的方法，其特征在于，所述根据预先构建的分析模型，对所述通行行为信息进行稽核分析，确定异常通行流水，具体包括：

确定所述通行行为信息的一条通行流水；

根据所述通行流水的入口流水、出口流水、门架流水以及牌识流水，还原所述车辆在所述高速公路上的行驶路线；

根据所述行驶路线与所述车辆的基础信息，计算所述车辆的理论通行费金额；

从所述通行流水中，确定所述车辆收取的实际通行费金额；

确定所述理论通行费金额与所述实际通行费金额之间的差值；

判断所述差值是否大于预设差值阈值；

若是，则确定所述通行流水为异常通行流水。

9.一种基于高速公路的车辆收费监测设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；所述路网多源业务数据包括入口数据、出口数据、门架交易数据以及牌识数据中的至少两种；

将所述路网多源业务数据进行数据融合，得到所述车辆的通行行为信息；所述通行行为信息包括所述车辆的多次通行流水信息；

根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签；所述车辆静态标签用于标识所述车辆的属性信息，所述车辆通行标签用于标识所述车辆的通行信息，所述车辆预测标签用于标识所述车辆在下次上所述高速公路时所行驶的预测出口站、以及所述车辆是否存在逃费；

根据所述车辆静态标签、车辆通行标签以及车辆预测标签，生成所述车辆的车辆行为画像；

根据所述车辆行为画像，对所述车辆进行收费监测。

10.一种基于高速公路的车辆收费监测非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

在预设周期内，获取车辆在高速公路通行时的路网多源业务数据；所述路网多源业务数据包括入口数据、出口数据、门架交易数据以及牌识数据中的至少两种；

将所述路网多源业务数据进行数据融合，得到所述车辆的通行行为信息；所述通行行为信息包括所述车辆的多次通行流水信息；

根据所述通行行为信息，生成所述车辆的车辆静态标签、车辆通行标签以及车辆预测标签；所述车辆静态标签用于标识所述车辆的属性信息，所述车辆通行标签用于标识所述车辆的通行信息，所述车辆预测标签用于标识所述车辆在下次上所述高速公路时所行驶的预测出口站、以及所述车辆是否存在逃费；

根据所述车辆静态标签、车辆通行标签以及车辆预测标签，生成所述车辆的车辆行为画像；

根据所述车辆行为画像，对所述车辆进行收费监测。

Images