基于RFE-OPTUNA-XGBoost模型的高速公路逃费模式识别

受经济利益驱动,中国高速公路逃费行为频繁发生。为此,该文选取了2020年某研究区域的脱敏通行数据,通过数据挖掘分析逃费车辆的行为特征,提出一种基于递归特征消除算法和OPTUNA优化框架的极限梯度提升树(recursive feature elimination-OPTINAextreme gradient boosting,RFE-OPTUNA-XGBoost)的逃费模式识别模型,该识别模型准确率达到了0.945,各逃费方式的平均接受者操作特性曲线下面积值(area under curve,AUC)分别为:大车小标0.997、U/J型0.980、假绿通0.969、冲岗0.924。结果证明,基于RFE-OPTUNA-XGBoost的模型对于逃费模式识别的准确程度及各逃费模式的AUC值都更高。综上所述,提出的基于RFE-OPTUNA-XGBoost的高速公路逃费车辆逃费的识别模型能精准识别逃费模式。在实际应用中,对于高速公路管理部门展开稽查工作具有重大现实意义。