💻 computer science

A Path Fitting Accuracy Improvement and Evaluation Method Based on Minimum Toll and Multi-dimensional Anomaly Detection Engine

Dieses Paper schlägt ein zweistufiges Pfad-Fitting-Framework vor, das ein „Minimum Toll“-Prinzip mit einer multidimensionalen Anomalieerkennungs-Engine integriert, um Probleme bei Gantry-Daten im Autobahnmautwesen zu adressieren, wodurch eine Genauigkeitssteigerung von 2,1 % und eine Reduzierung der Abreichabweichungen um 70 % erreicht wird, während gleichzeitig ein neuartiges Dual-Indikator-Evaluationsmodell zur Sicherstellung der Ergebniszverlässigkeit eingeführt wird.

Ursprüngliche Autoren: Jian Li, Yunfang Zhao, Ke Zhang, Xin Gao, Lexiang Mei, Xiaoyu Guo

Veröffentlicht 2026-07-16

📖 7 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jian Li, Yunfang Zhao, Ke Zhang, Xin Gao, Lexiang Mei, Xiaoyu Guo

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie spielen ein riesiges, echtes Videospiel „Verbinde die Punkte“, bei dem die Punkte Mautstationen auf einer Autobahn sind und die Linien die Straßen zwischen ihnen. In der Welt des intelligenten Verkehrs ist dies die tägliche Realität der Frage, wo genau sich ein Auto befunden hat. Wenn Sie auf einer modernen Schnellstraße fahren, zahlen Sie keine Pauschalgebühr; Sie zahlen basierend auf dem spezifischen Weg, den Sie genommen haben, der von einem digitalen System berechnet wird, das Ihr elektronisches Kennzeichen registriert, während Sie unter Tausenden von über ihm hängenden „Gantries“ (diesen großen Metallbögen mit Kameras und Sensoren) hindurchfahren. Das Ziel ist einfach: Wenn Sie von Punkt A nach Punkt B fahren, sollte der Computer Ihre exakte Route kennen und Ihnen den fairen Preis berechnen.

Doch die reale Welt ist chaotisch. Manchmal gibt es einen Sensorfehler, ein Signal geht in einem Tunnel verloren oder das Wetter stört, was dazu führt, dass der Computer einige „Punkte“ Ihrer Reise übersieht. Wenn der Computer die fehlenden Teile Ihrer Reise zu erraten versucht, muss er eine Entscheidung treffen. Wenn er falsch rät, erhalten Sie vielleicht eine Rechnung für eine Route, die Sie nie gefahren sind, oder schlimmer noch, Sie werden mehr berechnet, als Ihnen zusteht. Dies ist das Problem des „Pfad-Anpassens“ (Path Fitting): das Rekonstruieren der wahren Geschichte einer Fahrt aus einer lückenhaften, unvollständigen Liste von Mautstopps. Es ist ein hochriskantes Rätsel, bei dem Genauigkeit Gleichbedeutend mit Fairness ist, und eine falsche Vermutung kann zu verärgerten Autofahrern und verwirrten Abrechnungsabteilungen führen.

Die Mission des Papers: Das Autobahn-Rätsel lösen

Dieses Paper widmet sich diesem chaotischen Rätsel mit einer cleveren, zweistufigen Strategie, die darauf abzielt, die Autobahnabrechnung fairer und genauer zu gestalten. Die Autoren, die am Road Network Monitoring and Emergency Response Center in China arbeiten, erkannten, dass frühere Methoden so waren, als versuche man, ein Labyrinth zu lösen, indem man einfach nur den kürzesten Pfad auf einer Karte wählt. Aber in der realen Welt der Maut ist der „kürzeste“ Pfad nicht immer der, den ein Fahrer tatsächlich genommen hat, und der „günstigste“ Pfad ist nicht immer der, den das System erraten sollte.

Die Forscher schlagen ein neues „zweistufiges“ Framework vor, das wie ein kluger Detektiv agiert.

Stufe 1: Die „Verbinde einfach die Punkte“-Phase
Zuerst führt das System eine schnelle Überprüfung durch, um sicherzustellen, dass die Punkte verbunden sind. Wenn der Computer eine Lücke zwischen zwei Mautstellen sieht, an denen das Auto vorbeigefahren sein sollte, füllt er die Lücken mithilfe eines Basis-Straßennetzkartens aus. Stellen Sie sich das wie das Zeichnen einer geraden Linie zwischen zwei Punkten vor, nur um sicherzustellen, dass die Geschichte physisch Sinn ergibt. Diese Stufe stellt sicher, dass das Auto nicht magisch teleportiert ist; sie liefert lediglich eine „gut genuge“ Route als Ausgangspunkt.

Stufe 2: Der „Business Logic“-Detektiv
Hier geschieht die Magie. Die Autoren führen eine „Multi-dimensionale Anomalie-Erkennungs-Engine“ ein. Stellen Sie sich diese Engine wie einen super-wachsamen Verkehrspolizisten vor, der die „gut genuge“ Route betrachtet und fragt: „Moment mal, ergibt das wirklich Sinn?“

Die Engine prüft auf sechs spezifische Arten von „törichten Fehlern“, die im echten Leben vorkommen:

Kopf-/End-Rauschen (Head/Tail Noise): Manchmal wird ein Auto von einer Mautstelle erfasst, die für die andere Richtung gedacht ist, direkt am Anfang oder Ende der Fahrt. Die Engine erkennt dies und löscht das Geister-Signal.
Mittelzeit-Rauschen (Mid-Journey Noise): Ein Auto könnte versehentlich einen Rampensensor ausgelöst haben, den es gar nicht befahren hat. Die Engine prüft, ob der Pfad sinnvoll ist, und entfernt diesen zusätzlichen Stopp.
Knoten (Knots): Manchmal geraten Zeitstempel durcheinander (wie ein Video, das in der falschen Reihenfolge abgespielt wird). Die Engine entwirrt den Knoten und bringt die Stopps in die richtige Sequenz.
Geschwindigkeitsüberschreitung (Overspeeding): Wenn die Vermutung des Computers erfordert, dass das Auto mit 300 km/h fährt, um die Zeit einzuhalten, weiß die Engine, dass dies unmöglich ist, und lehnt diesen Pfad ab.
Illegale U-Turns: Wenn die Daten suggerieren, dass ein Auto auf halber Strecke auf der Autobahn ein illegales Wendemanöver durchgeführt hat, markiert die Engine dies als unzulässige Bewegung und korrigiert den Pfad gemäß dem tatsächlichen Straßenlayout.
Sekundärfahrten (Secondary Trips): Wenn ein Auto lange Zeit anhält (wie bei einer 3-stündigen Mittagspause) und die Daten wie eine einzige lange Fahrt aussehen, teilt die Engine dies in zwei separate Fahrten auf.

Sob nachdem die Engine das Rauschen bereinigt hat, wendet das System eine goldene Regel an: Minimale Maut (Minimum Toll). Anstatt die kürzeste Distanz zu raten, berechnet es den Pfad, der für den Fahrer die niedrigstmögliche Gebühr zur Folge hätte, unter der Annahme, dass der Fahrer die logischste Route genommen hat. Dies stellt sicher, dass das System, falls es mehrere Möglichkeiten gibt, die Lücken zu füllen, den Weg wählt, der für den Nutzer am günstigsten ist – was dem fairen Geschäftsstandard entspricht.

Der „Vertrauenswert“ (Trust Score)
Das Paper führt auch eine neue Methode ein, um zu messen, wie sicher sich der Computer über seine Antwort ist. Sie haben ein „Dual-Indicator Quality Evaluation Model“ entwickelt. Stellen Sie sich dies als „Konfidenz-Meter“ vor.

Konfidenz (Confidence): Wie sicher ist sich das System, dass dies der richtige Pfad ist?
Roher En-Route-Anteil (Raw En-Route Ratio): Wie viel des Pfades wurde tatsächlich von Sensoren gesehen im Vergleich zu dem, was geraten wurde?

Die Autoren fanden heraus, dass diese Scores unglaublich nützlich sind. Sie entdeckten eine starke Verbindung (einen Pearson-Koeffizienten von -0,87) zwischen dem Konfidenzwert und dem tatsächlichen Fehler: Wenn das Konfidenz-Meter niedrig ist, ist die Rechnung wahrscheinlich falsch. Wenn das Meter hoch ist, ist die Rechnung fast sicher korrekt. Dies gibt den Mautbetreibern die Möglichkeit zu sagen: „Wir sind uns zu 95 % sicher, dass dies Ihre Route ist“, was hilft, Streitigkeiten schnell beizulegen.

Was sie herausgefunden haben
Das Team testete sein neues System anhand von über 5 Millionen realer Fahrtdatensätze aus dem Jahr 2025. Die Ergebnisse waren beeindruckend. Im Vergleich zur alten „kürzeste Pfad“-Methode verbesserte ihr neues zweistufiges Framework die Genauigkeit bei der Bestimmung des richtigen Pfades um 24,5 Prozentpunkte (erreichte eine Gesamtgenauigkeit von 96,8 %). Im Vergleich zu ihrer eigenen „Baseline“-Methode (die nur die erste Stufe behandelt) betrug die Verbesserung 2,1 Prozentpunkte. Wichtiger noch: Sie senkte die „Abreichungsabweichungsrate“ (die Anzahl der Fälle, in denen die Rechnung um mehr als 1 Yuan falsch war) um fast 70 %, von 18,5 % auf nur noch 2,1 %.

Das System ist zudem schnell und benötigt etwa 12 Millisekunden, um eine Fahrt zu verarbeiten (während die Baseline-Stufe 8 ms und die traditionelle Methode 15 ms benötigt), was schnell genug für die Echtzeit-Abrechnung an der Ausfahrt ist.

Was sie (noch) nicht getan haben
Das Paper ist sich seiner Grenzen sehr bewusst. Diese Lösung wurde primär für PKW getestet. Die Autoren merken an, dass LKWs andere Regeln haben (wie unterschiedliche Mautsätze für Gewicht oder Brückengebühren), sodass das System angepasst werden müsste, um diese schweren Fahrzeuge zu handhaben. Sie erwähnen auch, dass sie zwar historische Daten zur Erstellung ihrer Modelle verwendet haben, aber noch nicht die Integration von Echtzeit-Verkehrsstaus in die Gleichung aufgenommen haben, was eine zukünftige Erweiterung sein könnte.

Das Fazit
Dieses Paper schlägt nicht nur einen besseren Weg zum Raten vor; es bietet eine getestete, zweistufige Engine, die chaotische Daten bereinigt, die Regel des „günstigsten fairen Pfades“ anwendet und Ihnen sagt, wie sehr Sie dem Ergebnis vertrauen können. Indem sie einen chaotischen Strom von Sensordaten in eine saubere, faire und erklärbare Rechnung verwandeln, haben die Autoren eine Brücke zwischen komplexer Mathematik und dem alltäglichen Autofahrer gebaut, der einfach nur wissen möchte, dass er nicht überhöht belastet wird.

Technisches Resümee: Ein Verfahren zur Verbesserung der Pfadpassungsgenauigkeit und eine Evaluierungsmethode basierend auf minimalen Mautgebühren und einer multidimensionalen Anomalieerkennungs-Engine

1. Problemstellung

Die weitverbreitete Einführung des nationalen Autobahn-„Ein-Netzwerk“-Betriebs, der elektronischen Mauterhebung (ETC) und der mautfreien Durchfahrt hat die Abrechnung von einer groben Schätzung des kürzesten Pfades hin zu einer präzisen Abrechnung bas려 auf tatsächlichen Fahrbewegungen verschoben. Die zentrale Herausforderung liegt jedoch in der Rekonstruktion dieser vollständigen Trajektorien (Pfadpassung) aus spärlichen Mautstellen-Transaktionssequenzen.

Aktuelle Systeme stehen vor erheblichen Hürden aufgrund der in realen Umgebungen inhärenten Datenqualitätsprobleme, einschließlich:

Datenanomalien: Fehlende Datensätze, doppelte Transaktionen, zeitliche Unordnung und Signalinterferenzen durch Gerätefehler oder extremes Wetter.
Fehlausrichtung mit Geschäftsregeln: Traditionelle Algorithmen zur Pfadpassung optimieren oft auf „kürzeste Distanz“ oder „geringste Anzahl an Mautstellen“, was dem grundlegenden Geschäftsprinzip des Autobahnmautwesens widerspricht: dem Nutzer die minimal mögliche Gebühr für seinen tatsächlichen Fahrweg in Rechnung zu stellen.
Mangel an Bewertungsstandards: Bestehende Methoden liefern oft „Black-Box“-Ergebnisse ohne quantitative Indikatoren für die Zuverlässigkeit oder Konfidenz des passierten Pfades, was zu Streitigkeiten über „gleiche Strecke, unterschiedliche Maut“ führt und den Betreibern die Erklärbarkeit erschwert.

2. Methodik

Das Paper schlägt einen innovativen zweistufigen Pfadpassungs-Framework vor, der mit einem Dual-Indikator-Qualitätsbewertungsmodell gekoppelt ist. Der Prozess ist in eine Offline-Vorverarbeitung und eine Online-Passung unterteilt.

A. Offline-Vorverarbeitung

Graphenkonstruktion: Ein gerichteter Netzwerk-Graph wird konstruiert, bei dem Mautstellen als Knoten und die Konnektivitätsbeziehungen als Kanten dienen.
Minimale Maut-Matrix: Eine „Gesamtnetz-Minimale-Maut-Matrix“ wird mittels eines verbesserten Dijkstra-Algorithmus vorberechnet. Dies ermöglicht $O(1)$ -Instant-Abfragen der minimal akkumulierten Maut zwischen zwei beliebigen Knoten, wodurch die Online-Suchkomplexität reduziert wird.

B. Online-Passungsphase I: Basis-Passung (Konnektivitätsgarantie)
Das Ziel ist die Erzeugung eines räumlich kontinuierlichen und zeitlich plausiblen Pfades ( $P_{baseline}$ ), trotz Datenlücken.

Sequenzbereinigung: Die Rohsequenz durchläuft eine parallele Bereinigung hinsichtlich Duplikaten, Rückwärts-Transaktionen (unter Verwendung von Hop-Count-Logik) und spatio-temporalen Anomalien (unter Verwendung von Geschwindigkeitsschwellenwerten).
Pfadauffüllung: Für Unterbrechungen nutzt das System eine Hybridstrategie: Depth-First Search (DFS) für kurze Lücken ( $n \leq 17$ ) und den A*-Algorithmus für längere Lücken, um die Konnektivität sicherzustellen.

C. Online-Passungsphase II: Optimierte Passung (Optimierung der Geschäftsregeln)
In dieser Phase wird $P_{baseline}$ durch die Integration von Geschäftsregeln und einer parallelisierten multidimensionalen Anomalieerkennungs-Engine verfeinert. Sechs spezifische Anomalietypen werden mathematisch modelliert und parallel detektiert:

Kopf-/Endpunkt-Rauschpunkte: Filterung von Rückwärts-Erfassungen nahe Ein- oder Ausfahrtstationen mittels Geschwindigkeits- und Konnektivitätslogik.
Zwischenreise-Rauschpunkte: Identifizierung von Fehlleitungen an Knotenpunkten (Hub Ramps) durch Vergleich der Hop-Counts zwischen dem Vorgänger-, Verdachts- und Nachfolgeknoten.
Korrektur von Knotenpfad-Verknotungen: Korrektur von Zeitstempel-Inversionen, die durch Uhrenfehler verursacht wurden, durch Neuordnung der Knoten basierend auf der physischen Konnektivität.
Geschwindigkeitsüberprüfung des Pfades: Detektion von Rauschpunkten, bei denen die berechneten Geschwindigkeiten zwischen den Knoten die physikalischen Grenzwerte überschreiten.
Identifikation illegaler U-Turns: Erkennung illegaler Wendemanöver durch Prüfung, ob Start- und Endpunkt auf demselben Straßenabschnitt in entgegengesetzte Richtungen verlaufen, komb together mit Geschwindigkeitsverifikation.
Identifikation von Sekundärfahrten: Aufteilung von gemischten Fahrten, die durch lange Zeitintervalle entstehen, in denen die berechnete Durchschnittsgeschwindigkeit unrealistisch niedrig ist.

D. Finale Pfaderzeugung
Nach der tiefgreifenden Bereinigung fragt das System die vorberechnete minimale Maut-Matrix ab, um Kandidatenpfade nach Kosten sortiert zu generieren. Es wählt den ersten Kandidatenpfad aus, der die physikalischen Geschwindigkeitsbeschränkungen ( $V_{req} \leq V_{limit}$ ) erfüllt, um sicherzustellen, dass das Prinzip der „minimalen Maut“ ohne Verletzung der Physik gewahrt bleibt. Die Zeitstempel für die aufgefüllten Knoten werden mittels linearer Interpolation basierend auf der Kilometerleistung rekonstruiert.

E. Dual-Indikator-Qualitätsbewertungsmodell
Um das Fehlen von Zuverlässigkeitsmetriken zu adressieren, führt das Paper zwei quantitative Indikatoren ein:

Konfidenz (Confidence): Misst die Sicherheit der Pfadauswahl basierend auf dem Anteil der Originaldaten und der eindeutig bestimmten Knoten im Verhältnis zu ambivalenten Pfaden.
Originaler En-Route-Anteil (Raw En-Route Ratio): Charakterisiert die Abhängigkeit des Ergebnisses von den ursprünglichen beobachteten Daten gegenüber spekulativen Auffüllungen.
Der Durchschnitt dieser beiden Indikatoren liefert einen „Zuverlässigkeitswert“ (Reliability Score).

3. Kernbeiträge

Das Paper beansprucht vier primäre Beiträge:

Zweistufige Methodik: Ein entkoppelter Ansatz, der die „Konnektivitätsgarantie“ (Stufe I) von der „Optimierung der Geschäftsregeln“ (Stufe II) trennt und so den Übergang von geometrischer Machbarkeit zu geschäftlicher Optimalität (minimale Maut) sicherstellt.
Parallelisierte Anomalieerkennungs-Engine: Die erste mathematische Modellierung und parallele Detektion von sechs komplexen, gekoppelten Anomalietypen, die spezifisch für die Autobahnmaut sind, was die Robustheit signifikant erhöht.
Dual-Indikator-Evaluationsmodell: Die Einführung berechenbarer Metriken wie „Konfidenz“ und „Originaler En-Route-Anteil“, die erstmals eine quantitative Basis für die Zuverlässigkeit und Interpretierbarkeit der Pfadpassungsergebnisse bieten.
Umfassende Verifizierung: Validierung mittels massiver Echtzeit-ETC-Transaktionsdaten, die signifikante Verbesserungen bei der Genauigkeit und der Fairness der Abrechnung zeigen.

4. Experimentelle Ergebnisse

Die Experimente wurden mit über 5 Millionen grenzüberschreitenden Reiseaufzeichnungen aus dem Jahr 2025 durchgeführt, wobei ein manuell gelabelter Testdatensatz von 1.000 Datensätzen mit fehlenden Mautstellen verwendet wurde. Die vorgeschlagene Methode („Ours“) wurde mit der Shortest Path (SP) Methode und der Baseline (BL) Methode (nur Stufe I) verglichen.

Passungsgenauigkeit: Die vorgeschlagene Methode erreichte eine Genauigkeit von 96,8 %, was eine Steigerung um 24,5 Prozentpunkte gegenüber SP und um 12,1 Prozentpunkte gegenüber BL darstellt.
Abreichabweichungsrate: Die Rate der Datensätze, bei denen die Mautdifferenz 1 Yuan überstieg, sank von 18,5 % (SP) und 8,2 % (BL) auf 2,1 % (Ours), was einer Reduktion von fast 70 % gegenüber traditionellen Methoden entspricht.
Verarbeitungseffizienz: Die durchschnittliche Verarbeitungszeit betrug 12 ms, was geringfügig höher ist als bei BL (8 ms), aber innerhalb der Echtzeit-Abrechnungsanforderungen liegt und schneller als SP (15 ms) ist.
Validität des Evaluationsmodells: Der „Konfidenz“-Indikator zeigte eine starke negative Korrelation (Pearson-Koeffizient = -0,87) mit den tatsächlichen Passungsfehlern, was bestätigt, dass niedrigere Konfidenzwerte zuverlässig höhere Fehlerraten vorhersagen.
Multidimensionale Performance: Ein Fünf-Dimensionen-Radar-Chart (Genauigkeit, Stabilität, Anti-Interferenz, Effizienz, Interpretierbarkeit) zeigt, dass die vorgeschlagene Methode in allen Kategorien überlegen ist, insbesondere in den Bereichen „Anti-Interferenz“ (95/100) und „Interpretierbarkeit“ (88/100).

5. Bedeutung und Ansprüche

Das Paper behauptet, dass dieser Framework eine zuverlässige theoretische und praktische Lösung zur Realisierung einer genauen und fairen Autobahn-Netzwerkmaut darstellt. Durch die systematische Einbettung des geschäftlichen Prinzips der „minimalen Maut“ in den algorithmischen Kern und die Einführung einer parallelisierten Anomalieerkennungs-Engine löst die Methode die Diskrepanz zwischen technischer Optimierung und geschäftlichen Zielen auf.

Darüber hinaus adressiert die Einführung des Dual-Indikator-Evaluationsmodells die „Black-Box“-Natur bisheriger Systeme und bietet Betreibern eine transparente, quantitative Basis für die Beilegung von Mautstreitigkeiten. Die Autoren schließen, dass diese Arbeit einen erheblichen Anwendungswert für den Aufbau eines genauen, fairen und transparenten Mautsystems besitzt, wobei zukünftige Arbeiten geplant sind, um das Framework auf die LKW-Abrechnung auszuweiten und den Echtzeit-Verkehrsstatus zu integrieren.