基于IGA-IBP算法的高速公路逃费预测

为解决现有高速公路逃费预测方法的准确率和稳定性低等问题,依据车辆收费数据提出一种基于IGA-IBP算法的预测模型。优化遗传算法中的变异算子和BP神经网络的隐含层和输出层之间的学习率,减小传统算法的误差并提高收敛速度,通过ReliefF算法选取车辆逃费行为共有的关键特征,动态调整车辆行驶时间特征,归一化特征属性建立IGA-IBP算法预测模型。实验结果表明,与传统算法相比,该算法在各项评价指标中均具有优越性,可为高速公路管理局的决策提供重要支持。

基于行驶特征画像的高速公路车辆逃费风险神经网络预测模型

为维护高速公路运营秩序,对逃费车辆进行精准稽查,提出一种基于车辆单次行驶特征画像的高速公路车辆逃费风险预测模型。先通过设计稽查判断特征集和稽查结果特征集来刻画车辆单次行驶特征画像,从车辆行驶路径、时间、费用等方面建立车辆行驶异常的约束条件,再建立BP神经网络算法进行训练。在利用神经网络建立高速公路车辆逃费风险预测模型时,对某交控集团稽查系统提供的16 718条稽查数据进行分析,该数据由车辆收费数据、单次行驶特征画像数据、稽查结果三部分组成,最终得到精确率为90.784%的模型。与传统算法相比,该方法拥有较高的准确率。文中还进行了车辆单次行驶特征画像的研究,能在识别和预测逃费行为的同时,清晰了解车辆异常行驶特征,体现其逃费方式,为稽查系统提供有力证据。

基于RF-LR的高速公路逃费车辆状态预测模型

【目的】为严格维护高速公路运营秩序和提高高速公路运行效率,对逃费车辆进行精准稽查以追缴过往车辆偷逃通行费。【方法】通过分析高速公路车辆通行卡大数据,采用随机森林(Randomforest,RF)筛选车型、车轴组数、总质量、超载率和通行费共5个逃费特征,经过虚拟化类型变量,利用合成少数类过采样技术(Syntheticminorityoversamplingtech-nique,SMOTE)算法平衡数据集,建立了逻辑回归(Logisticregression,LR)逃费车辆状态预测模型。【结果】基于RF-LR的高速公路逃费车辆状态预测模型有利于挖掘提取大数据中的有用信息,对逃费车辆状态预测具有较高的精度,预测正确率达到91.74%,预测精准率达到91.95%,召回率达到99.25%,预测性能较好。【结论】基于RF-LR的高速公路逃费车辆状态预测模型较以往简单预测模型有较大改进,消除了预测结果过拟合现象,提高了预测精度,预测结果可为高速公路运营管理提供参考,提高工作效率,实现对偷逃通行费行为的快速稽查。