截止2018年年末中国高速公路里程已经突破14万公里,在承担城际之间的客货运输过程中起着重要的作用,是城市经济健康和谐发展的必要条件。但是高速公路超限超载一直存在,作弊现象时有发生,严重影响高速公路的使用寿命和扰乱高速公路运输秩序,造成交通安全事故和经济损失。

中国目前高速公路收费里程占比在80%以上,2018年,高速公路月车流量均在5万辆以上,车主为了获得经济利益或者规避超载,采用各种作弊手段,传统的防作弊方法存在判别不准,不够智能等缺陷问题。随着人工智能的发展,机器学习成功的应用到各个领域,目前机器学习分类算法主要有朴素贝叶斯分类算法、SVM算法、KNN的算法、人工神经网络算法。

朴素贝叶斯分类算法要求不同维度之间相关性较小,而作弊的特征值之间存在一定的相关性会使得朴素贝叶斯算法分类结果不稳定。SVM算法利用核函数很大程度提高了算法的适应范围,但是SVM更倾向于二分类问题,在多分类问题的处理上需要构造多个分类器,另外SVM算法对缺失数据敏感,对参数和核函数的选择敏感,针对本文问题,缺失某些参数在所难免而且选择合适的核函数也是一个难题。KNN算法易于理解算法简单,但KNN计算量较大且KNN算法会丢失某些类存在较多个但又不是最近邻数据信息造成分类错误。神经网络在现在存在大数据信息情况更具优势,建立模型通过大量数据训练后就可以大大提高准确率。Hopfield神经网络通过联想记忆训练网络更新网络模型参数,在具有大量数据信息和多类别分类问题的应用上表现突出。

常见的高速公路收费系统将车型分为5类(如表1所示)

载重货车出口驶入收费站加速通过计重设备(这里指动态秤),当后轮通过计重设备时急刹前轮,后轮就会抬起虚过计重设备,整车重量就会向前轮转移,这时计重设备称出的重量偏小,达到减轻载重目的,同时可能会带来严重安全隐患。

载重货车出口驶入收费站停在计重设备(这里指动态秤)前沿突然起步加速,使前轮微微抬起虚过计重设备,导致前轮重量降低或丢失,根据车辆装载货物的质量、进站速度的不同,利用此手段可以使计重设备称出的重量偏小,同时可能会带来严重安全隐患。

载重货车出口驶入收费站在通过磅秤时,故意紧靠收费岛头边缘驶过,使得车辆部分重量通过轮胎摩擦分散到车道岛头边缘上(俗称压边),利用此手段可以使磅秤称出的重量偏小,从而达到逃缴通行费的目的。

载重货车出口驶入收费站在通过超宽车道时,利用计重设备(这里指动态秤)的宽度走“s”型以改变计重设备的受力方向,让压力转为横向的扭力,增加货车轮胎与计重设备的接触面积,使计重设备重量信息采集不准,出现“多轴”、“丢轴”和货车整体总重量偏轻达到少交通行费的目的。

利用红外线车辆定位系统,防止车辆不完全上秤作弊和采集生成称重曲线图用于分析车辆称重数据。

通过安装在磅秤下的压力传感器将压力信息实时采集下来通过计算前后轴上秤时间间隔来算出该车的轴距,以及几根轴判断车型。另外,通过采集同一车轮压过两个传感器时间间隔差计算出车速。根据相应车型、车速相应阈值来判断车辆作弊的可能性。这种方式比较片面容易造成误判,尤其对擅长作弊的老司机容易失效。

目前神经网络在各个方面的发展,已经扩大了其引用范围和应用深度;本文采用的基于Hopfield神经网络,一方面该技术较为成熟,另一方面,它能更好地和小波技术相结合,将小波技术分析后的训练样本利用Hopfield神经网络进行分析能够极大提高识别的精度。

本文主要采用离散型Hopfield算法(DHNN)。DHNN是一种单层的、输入输出为二值的反馈网络,它主要用于联想记忆。网络的能量函数存在着一个或多个极小点或称平衡点。当网络的初始姿态确定后,网络状态按其工作规则向能量递减的方向变化,最后接近或达到平衡点。

式中:xj———网络状态矢量;

wij———网络连接权重；

θj———网络阈值矢量。

其中,sgn[]为符号函数。

利用模糊数学的方法计算每辆车的每个特征信息针对每个类别的隶属度。得到的结果是一组在区间[0,1]上取值的隶属度值而不是硬判断具有的0和1,更符合实际情况,更详细体现车辆具有特征。

如图1所示。

抽取通过汽车衡的500台汽车样本,其中冲榜、跳磅、压边、走S型曲线和正常行驶车辆各80辆,对每辆车取4个关键点位置数据,共2000个关键点数据。其中100个样本作为训练样本,模型建立训练完成后对400个样本进行分类测试。

取500台汽车衡待检车辆X={x1,x2,…,x500},分别提取每辆车的4个关键点位置,行驶速度曲线,加速度曲线,方向向量,称重曲线G={g1,g2,g3,g4}四个特征对车辆使用模糊综合评判优化的Hopfield算法进行分析评价。步骤如下:

(1)求取每一辆车的四个特征信息对冲榜、跳磅、压边、走S型曲线和正常行驶的隶属度;

(2)将汽车库中的汽车四个特征隶属度信息分为训练样本与识别样本。每次用100辆车作为训练样本,其中冲榜、跳磅、压边、走S型曲线和正常行驶车辆各20辆进行标准K-L变换,求取训练样本的特征值向量U,再从每组作弊类别提取一辆车信息,在特征向量U上作投影,求出的车辆在U上的投影系数作为其特征值向量,T=[t1t2…tn];

(3)将T作为Hopfield网络的目标向量,建立Hopfield网络;

(4)运行网络至平衡状态,保存网络模型和输出向量Y;

(5)将待识别的车辆隶属度信息在U上投影得到其特征矢量ti,将ti作为输入向量送入建立的网络运行;

(6)当网络运行达到平衡状态时,输出结果:Y=[y1y2…yn],每一辆车收到与之最接近的平衡点;

(7)计算Y'与特征库中的所有手写数字特征向量Y的距离D,D最小者为所识别作弊类型。距离公式如下:

取数据中5组共100辆车进行训练,400辆车进行分类验证如表3所示。

从表3可以看出这种方法可以得到较高的识别率,可以作为无人值守称重系统的辅助监测作弊系统。

采用这种识别和修正方法,能够准确判别出车辆的“拖秤”行为,识别率高于90%,基于对拖秤作弊行为的高识别率,同时根据“拖秤”程度的量化值对车辆的重量进行适当修正后,能够最大程度地还原出车辆的真实重量,并使得该设备针对作弊车辆的称重误差可以稳定在士5%以内,置信度为80%。基于量化值的修正方法,避免了重量的偏差,减少了收费争议,保证了收费站的正常收费,同时也提高了车辆的通行率。