基于大数据的绿通车辆治理系统解决方案

李承蔚， 刘 浩

(中远海运科技股份有限公司，上海 200135)

0 引 言

随着高速公路路网规模不断扩大，高速公路稽查管理工作日益复杂化，其中假绿通车辆稽查治理工作逐渐成为整个高速公路稽查管理工作的重点。按照国家有关规定，运输鲜活农产品的车辆在高速公路上行驶可免缴通行费。由此，各种冒充绿通车辆的手段层出不穷，屡禁不止，给高速公路稽查管理工作和收费站日常收费管理工作带来巨大压力。

在收费站安装专业的检测设备可对假绿通车辆进行有效的稽查治理，但专业的检测设备造价昂贵，不宜大范围安装部署，因此对绿通车辆治理(以下简称“绿通治理”)工作的作用有一定的局限性。充分利用现有数据，结合移动互联网和大数据技术构建一套完善的基于移动终端、绿通治理云平台、大数据计算分析平台和人车信用等级评级系统的绿通车辆治理系统，可为绿通治理提供可靠的辅助决策数据，减少高速公路管理环节的工作量，提高绿通治理的效率。通过数据分析高效识别嫌疑假绿通车辆，辅助工作人员对假绿通车辆进行查验。

在绿通治理环节，通过采集人和车的基本信息、绿通预约数据及绿通运输货物相关数据等，在绿通治理云平台对历史数据和当次采集数据进行实时分析比对，为绿通治理工作人员提供有效的辅助数据，使其根据这些数据快速“认识”该绿通车辆，由此形成数据采集和数据利用的闭环，为绿通治理过程管理提供可靠的数据依据。

在大数据计算分析平台，基于绿通通行数据、假绿通通行数据、黑名单历史数据和绿通车通行路径数据等多维度数据，利用绿通治理模式对人、车进行疑似假绿通通行行为分析，并将疑似存在假绿通通行行为的车辆或人员的数据信息反馈至绿通治理云平台，辅助绿通治理工作人员查验假绿通行为。在系统内部形成数据闭环，充分利用大数据技术提升绿通治理的成效和降低绿通治理的管理成本。

此外，通过对人、车方面的历史通行数据进行分析，逐渐完善人和车的诚信评价维度数据，从而建立一套完善的人车诚信评级系统，使基于人车诚信评级系统的数据辅助绿通治理得以在高速公路管理中推广应用。

1 现状分析

假冒、混装绿通车辆的行为层出不穷造成绿通治理较为困难。此外，绿通车辆治理方式较为单一，主要依靠人工检查和专用设备检查，不能从根本上有效打击和遏制假绿通车辆偷逃通行费行为，由此导致以下问题：

1) 人工查验耗时长。现阶段对绿通车的检查为每车必检，检查流程基本上一致，大量的重复性工作会导致检查人员检查不仔细等情况出现。

2) 容易造成拥堵。由于人工查验耗时较长，在流量较大的站点极易出现拥堵的情况，这与高速公路保畅的管理目标相冲突，给工作人员带来极大的困扰。

3) 专用检查设备难普及。采用专用检查设备可在一定程度上快速检测出假绿通车辆，但设备造价昂贵，难以全面普及。由此，假绿通车辆可能会选择在未安装检查设备的收费站出站，导致假绿通治理效果不理想。

4) 绿通车检查数据仅用于简单存档，未打破信息孤岛与其他业务数据进行联动，不能对数据进行再利用。

2 总体设计方案

为有效解决绿通治理现存的问题，该系统通过移动终端建立人、车、路之间的桥梁，通过搭建绿通治理云平台对人、车、路之间的相关数据进行汇集存储并将其与通行数据、稽查数据和历史黑名单数据等相结合，形成人、车、路之间的数据闭合。该方案采用“绿通预约+数据分析”的模式实现绿通快速通行和假绿通行为准确打击的目标。

驾驶人员在移动终端注册之后即可进行绿通通行预约，此时驾驶人员的信息和每次的绿通预约信息都会汇总到绿通治理云平台上。若绿通预约通行数据与实际绿通通行数据一致，系统会适当提高该驾驶人员及其车辆的信用评分，反之会降低信用评分。绿通通行数据包括但不限于通行路径(出入口站点)、运输货物种类和通行预约日期等。

绿通治理云平台基于绿通预约信息，辅助收费站的工作人员对指定日期的绿通治理工作量进行预估，从而更加合理地做好工作计划。绿通车辆在行驶至收费站时，绿通治理工作人员可通过移动终端从绿通治理云平台上获取该车辆及驾驶人员的所有相关辅助信息(如人车诚信评级、历史假绿通数据、历史黑名单数据、是否为稽查对象、历史同种单一绿通货物的车货总重范围、所载绿通货物是否属于通行路径上常见的货物范围和历史通行中命中假绿通分析模型的情况等)，通过这些信息获取该车辆及驾驶人员的绿通画像，为绿通治理工作的开展提供有效的数据依据。同时，移动终端将采集到的运输人员基本信息和绿通货物基本信息、绿通车辆的车头、车尾、车侧、货物等的照片信息上传至绿通治理云平台上，绿通治理审核人员实时审核这些信息并将结果反馈至移动终端。

利用信用评分辅助绿通治理，可对信用评分较低的驾驶人员及车辆进行详细检查，在一定程度上提高驾驶人员对信用评分重要性的认识；同时，可对信用评分较高且无任何疑似异常通行记录的驾驶人员及车辆进行绿通免检。

通过搭建大数据分析平台，利用各种假绿通分析模型对历史高速公路通行数据进行分析，从中筛选出嫌疑较大的数据，为稽查系统提供稽查嫌疑对象。此外，通过辅助数据分析模型得到某车辆历史同种单一绿通货物的车货总重范围、所载绿通货物是否属于通行路径上常见的货物等辅助数据，为绿通治理提供更多的辅助决策数据。

当车辆在稽查系统中被认定有假绿通行为时，车辆和相关驾驶人员的信息会被同步到人车诚信评级系统中，并根据一定的规则对该车辆和驾驶人员进行评级评分，评级评分结果会同步到绿通治理云平台上，最终为收费站的绿通治理工作人员提供辅助决策数据。

3 系统设计

3.1 系统整体架构

绿通车辆治理系统整体架构见图1。从图1中可清晰地了解到系统的层次划分，系统从最底层的基础资源层开始，通过资源管理层的管控实现对物理资源的集中管理、统一分配和使用分析，从而更好地优化基础资源的使用。

图1 绿通车辆治理系统整体架构

大数据分析平台利用其分布式存储能力，通过对绿通治理相关业务数据进行采集、清洗，存储海量数据；同时，利用其并发计算能力，对海量历史数据进行分析计算，对离散的数据进行实时的在线分析计算，并将计算结果同步至系统的各子平台中。大数据分析平台采用分布式主从节点架构、集群横向可扩展和多数据副本冗余存储，确保平台稳定工作、数据安全不丢失；节点与节点之间使用RPC通信，经任务调度器实现任务资源的统一分配和统一管理。结合运维平台，更加人性化、简洁化地对整个大数据分析平台进行监控、管理，可针对分析任务的实际情况进行调优，提升大数据平台的分析效率。

在绿通业务层中，绿通治理APP作为移动终端的应用，负责与驾驶人员和收费绿通治理人员交互，APP通过http协议和WebSocket协议与绿通治理云平台进行数据交互。绿通治理云平台为绿通治理APP提供业务服务支持，实现运输人员的预约、收费站工作人员的绿通治理和行政执法人员的稽查辅助功能。此外，绿通治理云平台采用B/S架构，为绿通治理监控人员和管理人员提供服务。

各层次之间通过统一的接口进行通信，确保各层次间的独立性，从而实现低耦合高类聚，确保系统具有更好的独立性、稳定性和高扩展性。

3.2 系统整体业务流程

绿通治理整体业务流程见图2。

1) 驾驶人员通过绿通治理APP进行绿通预约，预约数据汇集到绿通治理云平台上；

图2 绿通治理整体业务流程

2) 收费站工作人员可在绿通治理云平台上获取本站的绿通预约情况，并预估绿通检查的工作量；

3) 在收费站进行绿通检查时，可通过绿通治理APP从云平台获取该车辆的预约信息、诚信评级和各类基于历史数据分析得到的辅助绿通治理数据；

4) 通过绿通治理APP，可实时将绿通检查取证信息上传至云平台，用于后台审核；

5) 绿通治理云平台将绿通治理数据同步至大数据平台，用于数据的分析计算；

6) 大数据分析计算平台通过分析历史收费数据、绿通治理数据等，为绿通治理云平台提供绿通治理辅助数据；

7) 人车诚信评级系统利用稽查数据、黑名单数据和绿通通行数据等，对人和车进行诚信评级评分，并为绿通治理提供辅助决策数据。

4 关键技术

4.1 基于NFC和在线密钥系统读取通行卡内数据

绿通治理APP通过移动终端的NFC读取通行卡内的信息，通过调用在线密钥对信息进行解密，可将入口车牌号、入口车型和入口收费站等信息直接显示在APP上，减少绿通治理人员在绿通检查取证过程中的信息录入量，在一定程度上提高绿通检查的效率。

此外，利用NFC还可提供直接读取身份证的数据，减少驾驶人员注册环节的手动输入操作。绿通治理人员在对驾驶人员的信息进行补录时，同样可基于该技术减少手动录入操作，提高绿通治理的效率。

4.2 利用图片识别技术

绿通治理APP在不具备NFC功能的移动终端使用时，可通过图片识别技术识别车牌和身份证号，在一定程度上降低不具备NFC功能终端的信息录入的繁琐性，提高系统整体的可复用性。

4.3 利用WebSocket实现在线审核

利用WebSocket在绿通治理APP与绿通治理云平台之间搭建长连接，确保绿通取证图片实时发送至云平台进行审核。因为WebSocket可实现client和server端双向通信，在云平台上的审核结果可实时返回至APP上，提高绿通检查人员和后台审核人员的协同工作效率。

4.4 大数据技术的应用

大数据分析计算平台架构设计见图3。利用大数据技术计算分析出的辅助决策数据，可在绿通治理过程中全面掌握车辆和驾驶人员的各项数据，如同车同绿通货物车货总重的范围、是否存在疑似假绿通通行行为等。通过这些辅助数据，绿通治理工作人员可重点检查有不良记录的车辆，对诚信评级高的车辆或驾驶人员进行快速检查，甚至免检。

图3 大数据分析计算平台架构设计

大数据分析计算平台是基于Hadoop集群构建的分布式计算平台，利用HDFS实现海量数据的存储。为满足绿通治理的业务需求，该平台提供离线海量数据的分析计算和实时在线分析计算2种分析计算模式。

利用MapReduce计算模型，通过对计算分析目标任务进行建模，可对海量历史数据进行离线计算分析，该计算模型的实时性较差，可用于对历史通行流水进行分析。

基于Hadoop集群，引入Storm实时计算框架，可使大数据平台具备实时计算能力，当需对绿通治理数据进行实时分析时，可通过该计算框架获取海量数据的实时计算结果。

4.4.1 数据共享

通过其他系统提供的接口采集地图数据、物流中心位置数据、工业园区信息数据、大型综合超市信息数据、季节气候数据、高速公路历史通行数据、历史假绿通车稽查数据、历史黑名单数据和贵州省多义性拆分数据，对海量信息进行清洗、过滤和预处理之后，利用大数据技术进行分析。同时，将处理过的数据和分析的结果数据等以接口API的形式提供给其他系统使用。

通过打通行业内各业务系统的数据孤岛，关联不同业务间的数据，使数据产生更多的价值，为高速公路管理及其他行业提供可靠的辅助决策依据。

4.4.2 绿通治理模型

利用地图数据、高速公路历史通行数据、历史假绿通车稽查数据和贵州省多义性拆分数据等，结合单出口嫌疑假绿通模型、货物地理嫌疑假绿通模型、卸货装货嫌疑假绿通模型和嫌疑假绿通车通行轨迹模型，通过大数据技术进行分析处理，筛选出嫌疑假绿通的车辆通行数据，并将其共享给稽查系统，辅助稽查工作人员快速定位嫌疑假绿通车辆。

4.4.3 辅助数据分析模型

利用地图数据、物流中心位置数据、工业园区信息数据、大型综合超市信息数据、季节气候数据、高速公路历史通行数据、历史假绿通车稽查数据和历史黑名单数据等，结合绿通车通行轨迹分析模型、同种单一绿通货物车货总重范围分析模型和历史通行轨迹分析模型等，统计分析出辅助数据信息。通过这些辅助信息，可为绿通治理工作人员提供该车辆及驾驶人员的绿通画像，为绿通检查工作的开展提供有效的数据依据。

4.5 人车诚信评级机制设计

人车诚信评级系统通过从外部获取评分正相关、负相关的数据，对人或车辆进行一定规则的信用评分计算，并基于信用评分进行信用评级。

人车诚信评级系统会分别为驾驶人员和车辆建立诚信档案，确保诚信评级可直接影响到驾驶人员的高速公路通行行为，从而提升诚信评级系统对驾驶人员的震慑力，提高驾驶人员在高速公路违法的成本，减少高速公路违法行为。

5 结 语

通过对基于大数据的绿通车辆治理系统解决方案进行探讨，得到以下核心思路：

1) 建立人、车、路间的数据桥梁，将对绿通车辆的治理工作转变为对“绿通车辆+驾驶人员”的治理工作，使高速公路的违法行为不仅与车辆关联，还与人关联。通过提高高速公路违法行为的成本，在一定程度上迫使驾驶人员主动避免发生高速公路违法行为。

2) 通过打通行业内各业务系统的数据孤岛，利用大数据技术对各业务组成的海量数据进行采集、清洗和建模分析，通过不同业务数据间的关联，使数据产生更大的价值，为高速公路管理及其他行业提供可靠的辅助决策依据。

3) 搭建人车诚信评级系统，通过制定诚信评分规则，并对业务数据影响因素进行评分设定，利用高速业务数据的人车诚信评级为绿通治理工作提供更加直观的辅助决策数据。