高速公路收费稽核模型
整合 ETC、视频等数据，用 AI 算法识套牌、假绿通等异常，实现自动稽核。
客户问题
全国高速公路“一张网”运营新形势下，收费管理与出行服务面临的机遇与挑战，其中每年偷逃漏通行费逃费损失约为通行费收入总量的1.5%-5%，在造成通行费损失同时，严重影响高速公路正常运营与通行。
收费、门架、牌识、ETC和治超数据分散，异常车辆识别依赖人工经验。
有入无出、屏蔽计费、大车小标、恶意U/J行驶等行为难以形成统一识别规则。
稽核线索缺少路径证据、车辆特征和工单处置闭环。
潜在追缴收入和稽核资源无法量化配置。
方案方法
模型定义
建立从多源数据融合、路径还原、特征工程、异常识别到工单处置的高速公路数智稽核体系，支持稽核中心对车辆、路径、行为和收益进行统一分析。
多源数据融合
接入车道收费、收费站出入口、ETC与OBU发行、门架计费与牌识、通行费清分拆分、治超和货车轨迹等数据，统一车辆、时间、空间和交易口径。
通行行为识别
针对车型、车种、车轴等车辆特征，结合时空距离、行驶速度、门架轨迹和收费站记录，识别屏蔽计费、有入无出、U/J网内行驶、大车小标等异常行为，并通过聚类和标签体系挖掘复合类型。
稽核控制台与工单闭环
建设车辆路径信息、工单信息和稽核结果模块，沉淀异常证据链，支持线索分派、复核、处置和追缴情况跟踪。
应用边界
异常识别结果需要经人工复核、业务规则校验和相关程序确认后使用，不能直接替代收费争议处理和行政执法。
基于行业经验与历史数据模型判断：
“大车小标”、“有入无出”和“屏蔽设备”等三类通行行为较为高频发生，因其产生的潜在稽核收入预估占总通行收入比例高达7%。
以年通行费总收入约100亿元为例：
实施路径
数据接入
完成收费、门架、牌识、ETC、治超和轨迹数据接入及口径统一。
路径还原
基于时间、空间和速度特征还原车辆实际通行路径。
规则与模型
建立行为标签、行业规则、聚类模型和机器学习识别模型。
稽核试运行
围绕高频行为开展线索验证、人工复核和工单闭环。
持续优化
以处置结果反哺模型特征和规则，形成持续学习的稽核体系。
主要交付
- 收费稽核数据资源目录与治理方案
- 车辆路径还原及异常行为识别模型方案
- 高频逃费行为标签和规则库
- 数智稽核控制台建设方案
- 工单流转与人工复核机制
- 稽核收益评估与持续优化报告