高速公路联网收费系统存储了大量的行车数据，如何从海量的数据中挖掘出有用的价值信息，从而高效识别通行费异常车辆，降低高速公路运营损失，成为当前研究的重点内容。大数据的兴起为交通管理带来了便利，利用数据挖掘技术，分析车辆行驶特征，提取重要行为属性，建立异常车辆识别模型，可提高高速公路运营管理效率，精准稽查异常车辆。
　　为充分利用高速公路联网大数据，本文首先对高速公路联网收费系统进行系统的研究，从系统的结构与功能出发，掌握数据存储的原理，进而有效分析联网收费数据的特点以及常规数据模型。并对异常车辆中的逃费现象进行分类，为逃费车辆的识别预测奠定基础。采用min-max规范化方法对数据进行规范化处理，并对类型变量进行虚拟化处理，为了防止数据非平衡带来的过拟合现象，运用SMOTE过抽样算法平衡数据集。经过数据的分析处理，本文通过将随机森林与逻辑回归结合的方法，建立逃费行为预测模型，并利用神经网络对逃费类型进行精准识别，通过混淆矩阵以及ROC曲线对模型的预测效果进行评价。利用随机森林筛选特征变量，从而建立逻辑回归预测模型具有很高的精度，模型预测召回率达到94.71%，AUC值达到96%，表明对逃费车辆的概率预测模型具有很高的稳定性和可靠性；采用神经网络对逃费车辆的识别效果显著，模型识别准确率达95%，且模型在每一种逃费类型识别中召回率均达到90%以上。
　　结果表明，结合高速公路联网收费数据，采用大数据处理方法，将随机森林、逻辑回归、神经网络模型相结合，建立逃费车辆预测模型，对车辆逃费类型进行识别具有很高的应用价值。