文/周新焕、秦绯、田涛、杨丽

1 前言

在运输货物的过程中，一些车主为了追求短期更高的经济收益，忽视行车安全以及公路的实际承载能力，出现超限运输的行为，给公路造成了损害、埋下了安全隐患。利用智能数据治理系统，可以对业务办理所需的各种数据进行抽取、汇聚、整合，通过系统平台进行一定的分析判断，从而实现数据管理及高效审批，同时也为相关部门的工作提供必要的数据支持[1]。

2 项目概况

2.1 研究背景

为深入贯彻党的十九大和十九届二中、三中全会精神，以习近平新时代中国特色社会主义思想为指导，牢固树立和贯彻落实新发展理念，深化“放管服”改革，进一步推进“互联网+政务服务”，加快构建全国一体化网上政务服务体系，国内各地区积极搭建在线政务服务平台，整合网络资源，解决群众关心的热点问题。将线下完成的业务转向线上完成，做好政府智能化服务，这也是智慧城市建设背景下的必然要求。智慧政府可以利用物联网、云计算等现代化信息技术，提升决策智能化水平，建设服务型政府[2]。

在智慧城市的大背景下，建设智慧化的电子政务、发展信息经济和智慧经济，是实现经济和社会转型升级的必由之路。通过运用先进的现代信息技术，实现资源的优化整合，业务协同合作，有效提升政府办公的效率，从而形成高效、集约、便民的服务型政府运营模式。通过本课题研究，实现业务快速办理，响应国家政策的目标。

2.2 项目概况

本课题着眼于人工智能技术，从交通管理领域出发，研究行业数据中存在的问题，思考如何提升基层数据来源。目前存在的数据问题主要是错误和缺失，使得交通综合数据分析的结果不够准确，进而影响科学决策。随着智能化设备的不断推广，交通数据量和种类也在不断增加，单纯依靠人工核验无法满足当前的需求。面向公路超限审批的智能数据治理与决策支持的应用将包含以下几个方面内容：

2.2.1 通过机器学习算法来标记样本数据特征；采用特征缩放的方式提升判断准确率。

2.2.2 完成样本数据分析后，形成数据结构特征模型，然后随着样本量增加，反复训练，使得模型变得更加准确。

2.2.3 通过特征模型分析数据特征，模型会自动提取问题数据，实现人工智能数据治理。

2.2.4 利用BIP 数据分析产品分析非结构化数据，比如：图文识别技术以及文档智能分析技术等，将提取的数据源作为参照，恢复错误的数据。

2.3 国内外研究现状

我国交通运输行业经过数十年的发展，已经形成了包括公路、水路、民航以及铁路等多种运输方式组成的综合交通运输网络，涵盖了行政管理、应急管理以及信用管理各方面的海量数据，但是由于数据存在混乱、关联性弱以及数据项缺失等问题，无法满足行业应用的要求。公路是交通运输的生命线，随着社会经济的发展，公路发挥着越来越重要的作用。但近年来由于公路超限货物运输现象层出不穷，由此造成的许多交通安全事故严重威胁着公路的正常使用。根据不完全统计和专家分析，路面车辆的超载所带给路面的损害是几何倍数增长的。其中，对于货车来说，超限10%随之给道路造成的损坏会增加40%；一辆超载2 倍的车辆对公路造成的损害是不超限车辆行驶16 次的伤害；一辆后轴为15t 的超限车对公路所造成的损害是10t 汽车行驶的5.06 次；一辆36t 的超载车辆所造成的伤害与9600 辆1.8t 重车等同。总而言之，公路车辆的超限除了会给道路造成破坏，还给公路桥梁的安全构成严重威胁。另外，大多数的超载车辆采取加装钢板弹簧等办法，超过公路桥梁的设计荷载标准，会引发桥梁结构灾难性的破坏。

3 主要内容及关键技术、创新点分析

3.1 研究内容

本课题研究的主要内容包括使用人工智能技术模拟业务人员进行业务审批，进而实现智慧型超限运输审批系统的相关功能。通过机器学习技术识别业务申请材料，然后建立档案数据中心，利用BIP 系统的专家对比模型记忆机器学习的决策树算法对业务进行自动审批，可以有效解决当前数据质量数据同数不同源、数据项缺失等问题，最限度提升数据的质量与真实性，降低数据因统计不准确导致的结果误差，实现业务智能审批。

3.2 关键技术

关键技术主要包含三个部分：栈式降噪自编码器、深度网络以及图文识别。

3.3 创新点

与传统的公路超限运输审批系统相比，运用智能数据治理与决策支持应用的审批系统有以下几个方面的优势：

3.3.1 采用人工智能技术，在审批的每个环节都能当场出具结论，不需要等到管理人员审核，这样可以有效提升业务办事效率；同时，人工智能技术还可以实现极高的决策准确率，保障业务审批准确率。

3.3.2 利用深度学习技术，通过栈式降噪自编码器构造深度降噪自编码网络。深度网络在提取数据特征方面有着强大的优势，可以发掘数据之间的潜在关联，并通过图文识别以及文档智能分析提取非结构化数据，对比提取数据与分析数据的特征，进而有效实现数据修复。

3.3.3 通过知识图谱用户画像技术，分析用户操作数据以及其他维度的数据，确保用户档案数据的真实性和准确性。

3.3.4 采用深度降噪自编码网络模型，可以利用它的普适性和可迁移性，在特定场景下对样本数据进行训练或者在已经训练好的网络模型上实施微调，这样就可以治理不同场景下的数据，以此降低深度学习对于硬件设备的需求及开发算法模型的成本，进而提升模型的有效性和准确性。

4 核心技术与路线

通过采用人工智能技术，有效完成交通行业智能数据治理与决策，支持关键技术研究及应用示范。

4.1 技术路线

采用人工智能技术完成对于交通行业公路超限审批的智能数据治理与决策，支持关键技术的研究，解决现阶段公路超限审批的智能数据治理问题：

4.1.1 通过人工智能技术，识别公路超限运输业务申请材料的内容，将现阶段非关系型数据转化为关系型数据，并形成真实的用户图像。

4.1.2 通过成熟的知识图谱分析用户图像对于真实数据的匹配度，最限度提升和确保用户业务材料的真实有效性。

4.1.3 通过特征模型算法、栈式降噪编码器技术，及时快速模拟业务的审批过程。该过程能够有效提高审批结果的准确性，从而快速准确提升特征模型审批的准确度。

4.2 实施方案

4.2.1 调研分析现场数据，明确化公路超限运输业务相关数据，探究存在哪些数据质量问题。

4.2.2 对基于BIP 人工智能的公路超限运输业务数据治理系统进行架构设计与开发，并广泛应用于公路超限审批。

4.2.3 通过实际的运行和测试，完成对治理系统的测试。

4.2.4 通过测试撰写完整的科研报告，总结申报成果。

4.3 智能判断技术分析

通过业务特征提取栈式降噪编码器能够快速准确获得业务的规则条件特征，使计算机能够准确清楚了解和理解业务的规章条件，同时精准读懂业务办理规则及文档文件内容。

4.3.1 栈式降噪自编码器

栈式降噪编码器能够实现对于对象特征的自动提取，同时完成低维冗余的特征映射，展现相互高维抽象的深层特征，即通过栈式降噪编码器提取特征向量，并且精准获取用户的相似度[3]。 其中，自动编码器是由Rumelhart（1986）提出的基于神经网络的特征提取，采用逼近恒等函数，是输出与输入相似的一种无监督的非线性学习算法。

4.3.2 业务特征提取

业务特征的提取方法是通过栈式降噪自编码器数据特征算法，将输入过程中的隐含的特定结构进行获取和提取的；同时，采用相应的自编码神经网络及时、准确获取事物特征。其中，自编码器能够使得特定结构在输入中及时、精准获取具备一定意义的数据。

4.3.3 模型训练

栈式降噪自编码器是多个降噪自编码器级联，逐一有序提取事物特征，使得最终获得的特征向量更加适合事物的本质特征，并且具备较小的维度。一般来说，模型训练是将n 个AE按照一定的顺序进行训练，再将获得的输出作为第二个AE 输入，将其训练完成后获得第三个AE 输入，以此类推，将最后得到的特征作为分类器的输入，进而得到特征模型数据。

5 实际应用及效果评价

目前，基于BIP 人工智能的公路超限运输业务数据治理系统已成功运用于山西省公路超限运输业务。通过新系统与老系统的实际应用对比，在关键的受理和审查环节的审批效率由原来的8～10min，缩短到十几秒。同时，针对此项示范业务的I、II 类件，在特定路线下，能够实现无人干预的自动化审批，大幅度提升审批效率，群众满意度极高。另外，通过加强科技创新理念，加强科研队伍培养，逐渐形成了人员结构合理、技术专业完善的科研型业务团队，同时不断加大科研投入力度、创新科研成果，在实际应用中获得良好的经济效益和社会效益。此外，通过建设智能化的应用系统，群众所需的资料越来越少，办理的周期越来越短，满意度越来越高，切实做到了实质性的便民服务。

6 结语

总之，本课题的研究成果能够为领域内带来突飞猛进的变化，为业务办理的参与者带来实际性便利与效益，同时还能有效响应国务院提出的新型“互联网+”的思想及“零”见面的指导方针。