1 引言
截止2018年年末中國高速公路里程已經突破14萬公里,在承擔城際之間的客貨運輸過程中起著重要的作用,是城市經濟健康和諧發展的必要條件。但是高速公路超限超載一直存在,作弊現象時有發生,嚴重影響高速公路的使用壽命和擾亂高速公路運輸秩序,造成交通安全事故和經濟損失。
中國目前高速公路收費里程占比在80%以上,2018年,高速公路月車流量均在5萬輛以上,車主為了獲得經濟利益或者規避超載,采用各種作弊手段,傳統的防作弊方法存在判別不準,不夠智能等缺陷問題。隨著人工智能的發展,機器學習成功的應用到各個領域,目前機器學習分類算法主要有樸素貝葉斯分類算法、SVM算法、KNN的算法、人工神經網絡算法。
樸素貝葉斯分類算法要求不同維度之間相關性較小,而作弊的特征值之間存在一定的相關性會使得樸素貝葉斯算法分類結果不穩定。SVM算法利用核函數很大程度提高了算法的適應范圍,但是SVM更傾向于二分類問題,在多分類問題的處理上需要構造多個分類器,另外SVM算法對缺失數據敏感,對參數和核函數的選擇敏感,針對本文問題,缺失某些參數在所難免而且選擇合適的核函數也是一個難題。KNN算法易于理解算法簡單,但KNN計算量較大且KNN算法會丟失某些類存在較多個但又不是最近鄰數據信息造成分類錯誤。神經網絡在現在存在大數據信息情況更具優勢,建立模型通過大量數據訓練后就可以大大提高準確率。Hopfield神經網絡通過聯想記憶訓練網絡更新網絡模型參數,在具有大量數據信息和多類別分類問題的應用上表現突出。
2 高速車輛分類及稱重計量系統分析
2.1 車輛分類
常見的高速公路收費系統將車型分為5類(如表1所示)
2.2 貨車車貨總重正常裝載認定標準一般按軸數分類(如表2所示)
表1 高速公路車型分類 下載原表

表2 貨車限載 下載原表

3 作弊方式分析
3.1 沖磅逃費
載重貨車出口駛入收費站加速通過計重設備(這里指動態秤),當后輪通過計重設備時急剎前輪,后輪就會抬起虛過計重設備,整車重量就會向前輪轉移,這時計重設備稱出的重量偏小,達到減輕載重目的,同時可能會帶來嚴重安全隱患。
3.2 跳磅逃費
載重貨車出口駛入收費站停在計重設備(這里指動態秤)前沿突然起步加速,使前輪微微抬起虛過計重設備,導致前輪重量降低或丟失,根據車輛裝載貨物的質量、進站速度的不同,利用此手段可以使計重設備稱出的重量偏小,同時可能會帶來嚴重安全隱患。
3.3 壓邊繞磅逃費
載重貨車出口駛入收費站在通過磅秤時,故意緊靠收費島頭邊緣駛過,使得車輛部分重量通過輪胎摩擦分散到車道島頭邊緣上(俗稱壓邊),利用此手段可以使磅秤稱出的重量偏小,從而達到逃繳通行費的目的。
3.4 走S型逃費
載重貨車出口駛入收費站在通過超寬車道時,利用計重設備(這里指動態秤)的寬度走“s”型以改變計重設備的受力方向,讓壓力轉為橫向的扭力,增加貨車輪胎與計重設備的接觸面積,使計重設備重量信息采集不準,出現“多軸”、“丟軸”和貨車整體總重量偏輕達到少交通行費的目的。
4 稱重防作弊傳統方法及缺陷
利用紅外線車輛定位系統,防止車輛不完全上秤作弊和采集生成稱重曲線圖用于分析車輛稱重數據。
通過安裝在磅秤下的壓力傳感器將壓力信息實時采集下來通過計算前后軸上秤時間間隔來算出該車的軸距,以及幾根軸判斷車型。另外,通過采集同一車輪壓過兩個傳感器時間間隔差計算出車速。根據相應車型、車速相應閾值來判斷車輛作弊的可能性。這種方式比較片面容易造成誤判,尤其對擅長作弊的老司機容易失效。
5 改進的Hopfie ld算法
5.1 Hopfield
目前神經網絡在各個方面的發展,已經擴大了其引用范圍和應用深度;本文采用的基于Hopfield神經網絡,一方面該技術較為成熟,另一方面,它能更好地和小波技術相結合,將小波技術分析后的訓練樣本利用Hopfield神經網絡進行分析能夠極大提高識別的精度。
5.2 模糊綜合評判優化的Hopfield算法
本文主要采用離散型Hopfield算法(DHNN)。DHNN是一種單層的、輸入輸出為二值的反饋網絡,它主要用于聯想記憶。網絡的能量函數存在著一個或多個極小點或稱平衡點。當網絡的初始姿態確定后,網絡狀態按其工作規則向能量遞減的方向變化,最后接近或達到平衡點。
式中:xj———網絡狀態矢量;
wij———網絡連接權重;
θj———網絡閾值矢量。
其中,sgn[]為符號函數。
5.3 利用模糊綜合評判法確定Hopfield網絡權值
利用模糊數學的方法計算每輛車的每個特征信息針對每個類別的隸屬度。得到的結果是一組在區間[0,1]上取值的隸屬度值而不是硬判斷具有的0和1,更符合實際情況,更詳細體現車輛具有特征。
如圖1所示。
圖1 車輛作弊分析流程圖 下載原圖
6 實驗分析
抽取通過汽車衡的500臺汽車樣本,其中沖榜、跳磅、壓邊、走S型曲線和正常行駛車輛各80輛,對每輛車取4個關鍵點位置數據,共2000個關鍵點數據。其中100個樣本作為訓練樣本,模型建立訓練完成后對400個樣本進行分類測試。
6.1 測試平臺
取500臺汽車衡待檢車輛X={x1,x2,…,x500},分別提取每輛車的4個關鍵點位置,行駛速度曲線,加速度曲線,方向向量,稱重曲線G={g1,g2,g3,g4}四個特征對車輛使用模糊綜合評判優化的Hopfield算法進行分析評價。步驟如下:
(1)求取每一輛車的四個特征信息對沖榜、跳磅、壓邊、走S型曲線和正常行駛的隸屬度;
(2)將汽車庫中的汽車四個特征隸屬度信息分為訓練樣本與識別樣本。每次用100輛車作為訓練樣本,其中沖榜、跳磅、壓邊、走S型曲線和正常行駛車輛各20輛進行標準K-L變換,求取訓練樣本的特征值向量U,再從每組作弊類別提取一輛車信息,在特征向量U上作投影,求出的車輛在U上的投影系數作為其特征值向量,T=[t1t2…tn];
(3)將T作為Hopfield網絡的目標向量,建立Hopfield網絡;
(4)運行網絡至平衡狀態,保存網絡模型和輸出向量Y;
(5)將待識別的車輛隸屬度信息在U上投影得到其特征矢量ti,將ti作為輸入向量送入建立的網絡運行;
(6)當網絡運行達到平衡狀態時,輸出結果:Y=[y1y2…yn],每一輛車收到與之最接近的平衡點;
(7)計算Y'與特征庫中的所有手寫數字特征向量Y的距離D,D最小者為所識別作弊類型。距離公式如下:
6.2 實驗結果分析
取數據中5組共100輛車進行訓練,400輛車進行分類驗證如表3所示。
表3 分類結果 下載原表

從表3可以看出這種方法可以得到較高的識別率,可以作為無人值守稱重系統的輔助監測作弊系統。
7 結語
采用這種識別和修正方法,能夠準確判別出車輛的“拖秤”行為,識別率高于90%,基于對拖秤作弊行為的高識別率,同時根據“拖秤”程度的量化值對車輛的重量進行適當修正后,能夠最大程度地還原出車輛的真實重量,并使得該設備針對作弊車輛的稱重誤差可以穩定在士5%以內,置信度為80%。基于量化值的修正方法,避免了重量的偏差,減少了收費爭議,保證了收費站的正常收費,同時也提高了車輛的通行率。




