第一，模擬局部相鄰時刻。它是一個平滑的過程，比如中午三點跟中午四點流量變化不會很大。
第二，模擬周期性。把對應(yīng)時間點昨天、前天、近一周平均、近一個月平均這個時刻的數(shù)據(jù)，作為輸入，來刻畫周期性。
第三，模擬趨勢性。把當(dāng)前時間點更遠點(前推半個、一個小時)的時間點(例如昨天、上周、上個月)的數(shù)據(jù)，模擬趨勢性。
第四，抽取空間屬性。利用深度卷積神經(jīng)網(wǎng)絡(luò)，把一些地區(qū)劃成子區(qū)域之后，相關(guān)的區(qū)域做會做卷積運算并合并，通過卷積之后，抓住了這個區(qū)域周圍的車輛流量的相關(guān)性。這樣卷積多次之后，相當(dāng)于把更遠相關(guān)區(qū)域的屬性的影響都聚合到一起了。
基于這四個結(jié)果，系統(tǒng)再做一個融合。第一部分融合，就是只考慮它的時間和空間屬性。再考慮外部因素，比如最近的附近天氣數(shù)據(jù)拿做第二次融合得到最終結(jié)果。
(3)稽查分析。通過在Inceptor中對原始交易流水費分析，提供逃費稽查、出入口流水對比等異常行為的分析服務(wù)。
通過在Inceptor中對原始的交易流水統(tǒng)計分析，抽取車輛逃費稽查和出入口流量相關(guān)歷史特征，具體有，車輛最近一周、最近一個月、最近半年的繳費信息，繳費卡口每天每個時間點的出入流量信息。
利用discover模型融合方法，融合時序預(yù)測模型和異常檢測模型，效果較單獨一種方法提升1.6倍。具體實現(xiàn)如下：
首先，利用discover大數(shù)據(jù)分布式自動的時序預(yù)測方法，預(yù)測此卡口的當(dāng)前流量，并和當(dāng)前實際的出入情況對比，如果當(dāng)前流量少于預(yù)測流量，則可能有逃費稽查情況出現(xiàn);其次，利用分布式異常檢測算法iforest和無監(jiān)督算法深度自編碼器檢測數(shù)據(jù)異常，發(fā)現(xiàn)行為詭異車輛，業(yè)界先進的iforest和深度自編碼器算法可以自動異常檢測此種逃費稽查的車輛，會和平時它的繳費習(xí)慣不同，也會和其自前所屬群體的習(xí)慣有所偏離，綜合的偏離程度月的，逃費的概率越大。最后，利用非線性模型融合的方法，融合時序預(yù)測模型和異常檢測模型兩者的優(yōu)點，能更準確的定位異常行為的車輛，為車輛稽查分析提供智能。
(4)聯(lián)合指揮。通過各項數(shù)據(jù)在Inceptor中的匯總和分析，綜合呈現(xiàn)各相關(guān)數(shù)據(jù)，形成聯(lián)合指揮?；趹?yīng)急資源管理、路網(wǎng)交通協(xié)同調(diào)度、應(yīng)急預(yù)案管理、處置效果評估、無人機監(jiān)控等模塊，實現(xiàn)交警、消防、路政等多部門聯(lián)動響應(yīng)，為各類交通事件條件下的路網(wǎng)協(xié)同控制和誘導(dǎo)管理提供可視化管理界面和決策支持。
(5)應(yīng)急資源調(diào)度。借助Inceptor的大規(guī)模數(shù)據(jù)處理能力，整合傳統(tǒng)的應(yīng)急資源設(shè)備與資源，協(xié)同建立最優(yōu)化的調(diào)度。應(yīng)急指揮調(diào)度系統(tǒng)可以采取“掛圖作戰(zhàn)”的形式進行，有效地保證在出現(xiàn)特殊情況時可以采取科學(xué)的應(yīng)急措施，積極、快速、有序地處理各類事件，保障高速公路的正常、安全運行，實現(xiàn)應(yīng)急指揮、應(yīng)急資源和應(yīng)急過程的信息化管理。
(6)預(yù)測預(yù)警。擴充傳統(tǒng)全面風(fēng)險管理的數(shù)據(jù)維度，在交通預(yù)警等角度分析，提前告知用戶。根據(jù)往年節(jié)假日各收費站流量統(tǒng)計數(shù)據(jù)，通過分析算法對本年節(jié)假日流量做出預(yù)測并進行排名。預(yù)測值是否超過對應(yīng)收費站設(shè)定的報警門限，可以根據(jù)顏色分級進行預(yù)警。根據(jù)歷史通行數(shù)據(jù)對車流量進行分析和預(yù)測，為節(jié)假日高峰時段的安全暢通發(fā)出預(yù)警、提前采取保暢措施，為高速路網(wǎng)的安全暢通提供保障。
基于對各收費站實時數(shù)據(jù)的分析結(jié)果，可以對平日車流量按站點、小時/天分別進行統(tǒng)計得到時間序列，ARIMA是做時間序列預(yù)測較為成熟的模型，分別對該時間時間序列采用ARIMA自回歸進行建模，然后對未來一個周期的數(shù)據(jù)進行預(yù)測。ARIMA全稱為自回歸積分滑動平均模型，可以記作ARIMA(p,d,q)，其中p為自回歸項，d為差分階數(shù)，q為移動平均項數(shù)，通過ARIMA模型可以對收費站某個時段流量進行預(yù)測與應(yīng)用，從而提升對車流量的預(yù)測預(yù)警。
(7)資產(chǎn)管理。結(jié)合Inceptor和workflow，實現(xiàn)交通設(shè)備資產(chǎn)全生命周期管理，包括設(shè)備故障預(yù)測、質(zhì)量分析等;通過設(shè)備監(jiān)控專題，可以對高速公路外場設(shè)備如車檢器、攝像機、氣象站、情報板、GPS車輛及無人機等進行基于GIS地圖的一體化監(jiān)控;點擊設(shè)備圖標即可查看各種設(shè)備的狀態(tài)、數(shù)據(jù)及圖像。
結(jié)合Inceptor和workflow，實現(xiàn)交通設(shè)備資產(chǎn)全生命周期管理，包括設(shè)備故障預(yù)測、質(zhì)量分析等;通過設(shè)備監(jiān)控專題，可以對高速公路外場設(shè)備如車檢器、攝像機、氣象站、情報板、GPS車輛及無人機等進行基于GIS地圖的一體化監(jiān)控;點擊設(shè)備圖標即可查看各種設(shè)備的狀態(tài)、數(shù)據(jù)及圖像。