車輛路徑識別演算法

❶ 請問金溢科技提出的ETC自由流路徑識別系統解決方案

該系統方案採用5.8GHz DSRC技術，當車輛經過ETC標識站點時，將路徑識別信息寫入雙片式OBU內。在出口時，依據入口信息、路徑標識信息，系統自動辨識車輛實際行駛路徑，從而實現按實際行駛路徑收取通行費用，並進行精確拆分。

❷ 急求車輛路徑問題遺傳演算法的matlab代碼！！！！

python">function[path,lmin]=ga(data,d)%data為點集,d為距離矩陣，即賦權圖
tic
%======================
sj0=data;%開環最短路線
%=================================
%sj0=[data;data(1,:)];%閉環最短路線
%=========================
x=sj0(:,1);y=sj0(:,2);
N=length(x);
%=========================
%d(N,:)=d(1,:);%閉環最短路線
%d(:,N)=d(:,1);%距離矩陣d
%======================
L=N;%sj0的長度
w=800;dai=1000;
%通過改良圈演算法選取優良父代A
fork=1:w
c=randperm(L-2);
c1=[1,c+1,L];
flag=1;
whileflag>0
flag=0;
form=1:L-3
forn=m+2:L-1
ifd(c1(m),c1(n))+d(c1(m+1),c1(n+1))<d(c1(m),c1(m+1))+d(c1(n),c1(n+1))
flag=1;
c1(m+1:n)=c1(n:-1:m+1);
end
end
end
end
J(k,c1)=1:L;
end
J=J/L;
J(:,1)=0;J(:,L)=1;
rand('state',sum(clock));
%遺傳演算法實現過程
A=J;
fork=1:dai%產生0～1間隨機數列進行編碼
B=A;
c=randperm(w);
%交配產生子代B
fori=1:2:w
F=2+floor(100*rand(1));
temp=B(c(i),F:L);
B(c(i),F:L)=B(c(i+1),F:L);
B(c(i+1),F:L)=temp;
end;
%變異產生子代C
by=find(rand(1,w)<0.1);
iflength(by)==0
by=floor(w*rand(1))+1;
end
C=A(by,:);
L3=length(by);
forj=1:L3
bw=floor(1+fix(rand(1,3)*N));%產生1-N的3個隨機數
bw=sort(bw);
C(j,:)=C(j,[1:bw(1)-1,bw(2)+1:bw(3),bw(1):bw(2),bw(3)+1:L]);
end
G=[A;B;C];
TL=size(G,1);
%在父代和子代中選擇優良品種作為新的父代
[dd,IX]=sort(G,2);
temp=[];
temp(1:TL)=0;
forj=1:TL
fori=1:L-1
temp(j)=temp(j)+d(IX(j,i),IX(j,i+1));
end
end
[DZ,IZ]=sort(temp);
A=G(IZ(1:w),:);
end
path=IX(IZ(1),:)
%fori=1:length(path)
%path(i)=path(i)-1;
%end
%path=path(2:end-1);
lmin=0;l=0;
forj=1:(length(path)-1)
t1=path(j);t2=path(j+1);
l=d(t1,t2);
lmin=lmin+l;
end
xx=sj0(path,1);yy=sj0(path,2);
plot(xx,yy,'r-o');
axisequal
toc

代碼親自前幾天還用來著，絕對可用

❸ 蟻群演算法車輛路徑優化問題信息素如何選擇

述了。
目前蟻群演算法主要用在組合優化方面，基本蟻群演算法的思路是這樣的：
1. 在初始狀態下，一群螞蟻外出，此時沒有信息素，那麼各自會隨機的選擇一條路徑。
2. 在下一個狀態，每隻螞蟻到達了不同的點，從初始點到這些點之間留下了信息素，螞蟻繼續走，已經到達目標的螞蟻開始返回，與此同時，下一批螞蟻出動，它們都會按照各條路徑上信息素的多少選擇路線(selection)，更傾向於選擇信息素多的路徑走（當然也有隨機性）。
3. 又到了再下一個狀態，剛剛沒有螞蟻經過的路線上的信息素不同程度的揮發掉了(evaporation)，而剛剛經過了螞蟻的路線信息素增強(reinforcement)。然後又出動一批螞蟻，重復第2個步驟。
每個狀態到下一個狀態的變化稱為一次迭代，在迭代多次過後，就會有某一條路徑上的信息素明顯多於其它路徑，這通常就是一條最優路徑。
關鍵的部分在於步驟2和3：
步驟2中，每隻螞蟻都要作出選擇，怎樣選擇呢？
selection過程用一個簡單的函數實現：
螞蟻選擇某條路線的概率＝該路線上的信息素÷所有可選擇路線的信息素之和
假設螞蟻在i點，p(i,j)表示下一次到達j點的概率，而τ(i,j)表示ij兩點間的信息素，則：
p(i,j)＝τ(i,j)/∑τ(i)
（如果所有可選路線的信息素之和∑τ(i)＝0，即前面還沒有螞蟻來過，概率就是一個[0,1]上的隨機值，即隨機選擇一條路線）
步驟3中，揮發和增強是演算法的關鍵所在（也就是如何數學定義信息素的）
evaporation過程和reinforcement過程定義了一個揮發因子，是迭代次數k的一個函數
ρ(k)＝1－lnk/ln(k+1)
最初設定每條路徑的信息素τ(i,j,0)為相同的值
然後，第k+1次迭代時，信息素的多少
對於沒有螞蟻經過的路線：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)，顯然信息素減少了
有螞蟻經過的路線：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)＋ρ(k)/|W|，W為所有點的集合
為什麼各個函數要如此定義，這個問題很難解釋清楚，這也是演算法的精妙所在。如此定義信息素的揮發和增強，以及路徑選擇，根據馬爾可夫過程（隨機過程之一）能夠推導出，在迭代了足夠多次以後，演算法能夠收斂到最佳路徑。
組合優化很有意思的，像禁忌搜索、模擬退火、蟻群演算法、遺傳演算法、神經網路這些演算法能夠解決很多生活中的實際問題，樓主有空可以招本書看看。

❹ 車牌識別演算法主要有哪些方法呢

從火眼臻睛車牌識別網站上了解到的，車牌識別演算法主要有（1）啟發式車牌定位；（2）大規模神經網路識別；（3）易混淆字元處理；三個方面的處理方法。車牌識別演算法相對於車牌識別系統來說還是很重要的，這個決定著車牌識別系統的識別率的高低。

❺ 什麼是帶時間窗口的車輛路徑問題

車輛路線問題（VRP）最早是由Dantzig和Ramser於1959年首次提出，它是指一定數量的客戶 ，各自有不同數量的貨物需求，配送中心向客戶提供貨物，由一個車隊負責分送貨物，組織適當的行車路線，目標是使得客戶的需求得到滿足，並能在一定的約束下，達到諸如路程最短、成本最小、耗費時間最少等目的Paolo Toth，Daniele Vigo。THE VEHICLE ROUTING PROBLEM[M]。Society for Instrial and Applied Mathematics philadephia.2002。 在VRPTW中，車輛除了要滿足VRP問題的限制之外，還必須要滿足需求點的時窗限制，而需求點的時窗限制可以分為兩種，一種是硬時窗（Hard Time Window），硬時窗要求車輛必須要在時窗內到達，早到必須等待，而遲到則拒收；另一種是軟時窗（Soft Time Window），不一定要在時窗內到達，但是在時窗之外到達必須要處罰，以處罰替代等待與拒收是軟時窗與硬時窗最大的不同[2]。 Bodin[4]和Solomon[5]分別對VRP及其變形問題和VRPTW問題作了較詳細的綜述。生產實際中許多問題都可以歸結為VRPTW來處理, 如鋼鐵廠編制熱軋帶鋼軋制計劃問題實際上就是一個VRPTW問題。一些服務性行業中也普遍存在這樣的問題, 如郵政投遞，飛機、火車及公共汽車的調度等。自從Savelsbergh[6]證明了VRPTW是一個NP難問題之後, 對其演算法的研究就主要集中到各種啟發式演算法上。遺傳演算法、禁忌搜索法和模擬退火法等智能化啟發式演算法的出現為求解VRPTW問題提供了新的工具。Thangiah[7]和Joe[8]都曾應用遺傳演算法求解VRPTW問題, 前者的目標是使總的服務成本最小, 而後者的目標有兩個, 首先是使用最少的車輛, 其次是在使用最少車輛的前提下使總成本最小[3]。 時間窗車輛路徑問題的求解方法[2] 含時窗限制之車輛途程問題（VRPTW）相對於車輛途程問題（VRP），必須額外考慮到運送時間與時間窗口，其主要的原因來自顧客有服務時間的最後期限和最早開始服務時間的限制。故在此限制條件之下，原本VRP問題除了空間方面的路徑（Routing）考慮之外，還必須要加上時間上的排程（Scheling）考慮，同時由於場站也有時間窗的限制，也間接造成路徑長度的限制，由此可知VRPTW的總巡行成本不僅包含運送成本，還需要考慮時間成本，以及未在時間窗限制內送達的處罰成本。因此，若要得到一個好的解答，時間和空間（Temporal andSpatial）問題的探討是非常重要的。 由於VRPTW比VRP問題多考慮了一樣時窗的因素，因此在解法上較VRP問題更為復雜，而根據Taillard（1997）等人的分類，求解VRPTW的方法可以分為六種，分述如下。 1、以分枝界限法求算之精確解法（Exact Algorithm Based on Branch-and-BoundTechniques）： Kolen（1987）利用這種方式可以求得精確解，但是只能解決六至十五個節點的問題，因此求解的范圍過小，僅適用於小型問題。 2、途程建構啟發式演算法（Route Construction Heuristics）： 在一問題中，以某節點選擇原則或是路線安排原則，將需求點一一納入途程路線的解法。如Soloman（1987）的循序建構法（Sequential Insertion Heuristics）。 3、途程改善啟發式演算法（Route Improvement Heuristics）： 先決定一個可行途程，也就是一個起始解，之後對這個起始解一直做改善，直到不能改善為止。而常見的是節線交換法（Edge Exchange Procere），如Lin（1965）所提出的K-Optimal，以及Potvin與Rousseau（1993）提出一考慮旅行方向的交換演算法。 4、合成啟發式演算法（Composite Heuristics）： 此種解法混合了途程建構啟發式演算法與途程改善啟發式演算法，如Russell（1995）所提出的Hybrid Heuristics便是混合了Potvin與Rousseau（1993）所提出的平行插入法，並在之中加入路線改善法的合成啟發式演算法；Roberto(2000)也提出的屬於平行插入法與內部交換改善法的合成啟發式解法來求解VRPTW的問題。 5、依據最佳化之啟發式演算法（Optimization-Based Heuristics）：如Koskosidis（1992）等人利用混合整數規劃模塊，再透過啟發式演算法，將原始問題分解成指派/分群的子問題的一系列的巡行以及排程問題。 6、通用啟發式演算法（Metaheuristics）： 傳統區域搜尋方法的最佳解常因起始解的特性或搜尋方法的限制，而只能獲得局部最佳解，為了改善此一缺點，近年來在此領域有重大發展，是新一代的啟發式解法，包含禁忌法（Tabu Search）、模擬退火法（Simulated Annealing）、遺傳演算法（Genetic Algorithm）和門坎接受法（Threshold Accepting）等，可以有效解決局部最佳化的困擾。

❻ 車輛路徑問題的車輛路徑問題的發展

1959年Dantzig和Ramse首次對閉合式VRP進行了研究，描述的是將汽油送往各個加油站的實際問題，並首次提出了相應的數學規劃模型以及求解演算法。
1964年，Clark和Wright[4]一種對Dantzig-Ramse方法改進的有效的啟發式演算法Clark-Wright節約演算法。
正是由於以上兩篇開創性論文的發表，使得VRP成為運籌學以及組合優化領域的前沿和研究熱點課題。
1969年，Christofides和Eilon應用2-opt[5]和3-opt[6]處理車輛路徑問題。
1970年，提出了兩階段方法求解車輛路徑問題，包括先分組後定路線（clusterfirst-route second）和先定路線後分組（routefirst-cluster second）兩種啟發式策略。
1981年，Fisher和Jaikumar提出以數學規劃為主的最優化方法來處理包含大約50個顧客點的問題,同樣其運算效率是一個亟待解決的問題。同年，Gullen，Jarvis和Ratliff建立了人機互動的啟發式方法。
1981年，Bodin and Golden將眾多的VRP求解方法進行了歸納。分為以下七種：數學解析法（Exact Procere）；人機互動法（Interactive Optimization）；先分群再排路線（Cluster First–Route Second）；先排路線再分群（Route First–Cluster Second）；節省法或插入法（Saving or Insertion）；改善或交換法（Improvement or Exchanges）；數學規劃近似法（Mathematical programming）。
1990年以來，人工智慧方法在解決組合優化問題上顯示出強大功能，在各個領域得到充分應用，很多學者也將人工智慧引入車輛路線問題的求解中，並構造了大量的基於人工智慧的啟發式演算法。 禁忌搜索法（TS）基本上是屬於一種人工智慧型（AI）的局部搜尋方法，Willard首先將此演算法用來求解VRP 。袁慶達[7]等設計了考慮時間窗和不同車輛類型的禁忌演算法，這種演算法主要採用GA方法產生初始解，然後禁忌演算法對初始解優化。模擬退火方法具有收斂速度快，全局搜索的特點，Osman[8]對VRP的模擬退火演算法進行了研究。遺傳演算法具有求解組合優化問題的良好特性，Holland首先採用遺傳演算法（GA）編碼解決VRPTW 問題。現在多數學者採用混合策略，分別採用兩種人工智慧方法進行路線分組和路線優化。Ombuki[9]提出了用GA進行路線分組，然後用TS方法進行路線優化的混合演算法。Bent和Van Hentenryck[10]則首先用模擬退火演算法將車輛路線的數量最小化，然後用大鄰域搜索法（largneighborhood search）將運輸費用降到最低。
綜合過去有關VRP的求解方法，可以將其分為精確演算法（exact algorithm）與啟發式演算法（heuristics），其中精確演算法有分支界限法、分支切割法、集合涵蓋法等；啟發式演算法有節約法、模擬退火法、確定性退火法、禁忌搜尋法、基因演算法、神經網路、螞蟻殖民演算法等。

❼ 我在做一個車輛路徑問題,用遺傳演算法的,不會MATLAB編程,有人能幫我一下嗎

% Optimizing a function using Simple Genetic Algorithm with elitist preserved
%Max f(x1,x2)=10-x1*x1-x2*x2+x1*x2; -2.0480<=x1,x2<=2.0480
clc;clear all;
format long;%Set the data format(設定數據顯示格式)
%parameters Initialization (初始化參數)
T=100;% Generation( 模擬代數)
N=80;% Population size ( 群體規模)
pm=0.05;pc=0.8;%Crossover and mutation probability(交叉變異概率)
umax=2.048;umin=-2.048;%Parameter range(參數取值范圍)
L=10;%Single parameter string length, the total coding length is 2L(單個參數字串長度，總編碼長度2L)
bval=round(rand(N,2*L));%Population Initialization(初始種群)
bestv=-inf;%Optimal fitness Initialization(最優適應度初值)
%Iteration stsar(迭代開始)
for ii=1:T
%Decoding, and the fitness calculation(解碼，計算適應度)
for i=1:N
y1=0;y2=0;
for j=1:1:L
y1=y1+bval(i,L-j+1)*2^(j-1);
end
x1=(umax-umin)*y1/(2^L-1)+umin;
for j=1:1:L
y2=y2+bval(i,2*L-j+1)*2^(j-1);
end
x2=(umax-umin)*y2/(2^L-1)+umin;
obj(i)=10-x1*x1-x2*x2+x1*x2; %The objective function(目標函數)
xx(i,:)=[x1,x2];
end
func=obj;%Objective function into the fitness function(目標函數轉換為適應度函數)
p=func./sum(func);
q=cumsum(p);%Cumulative(累加)
[fmax,indmax]=max(func);%seeking the best in this generation(求當代最佳個體)
if fmax>=bestv
bestv=fmax;%So far, the best fitness value(到目前為止最優適應度值)
bvalxx=bval(indmax,:);%So far the best bit string(到目前為止最佳位串)
optxx=xx(indmax,:);%So far the optimal parameters(到目前為止最優參數)
end
Bfit1(ii)=bestv; % So far the optimal parameters(存儲每代的最優適應度)
%%%%Genetic operation starts(遺傳操作開始)
%Roulette wheel selection(輪盤賭選擇)
for i=1:(N-1)
r=rand;
tmp=find(r<=q);
newbval(i,:)=bval(tmp(1),:);
end
newbval(N,:)=bvalxx;%Optimal retention(最優保留)
bval=newbval;
%Single-point crossover(單點交叉)
for i=1:2:(N-1)
cc=rand;
if cc<pc
point=ceil(rand*(2*L-1));%To obtain one integer from 1 to 2L-1(取得一個1到2L-1的整數)
ch=bval(i,:);
bval(i,point+1:2*L)=bval(i+1,point+1:2*L);
bval(i+1,point+1:2*L)=ch(1,point+1:2*L);
end
end
bval(N,:)=bvalxx;%Optimal retention(最優保留)
%Locus mutation(位點變異)
mm=rand(N,2*L)<pm;%N lines(N行)
mm(N,:)=zeros(1,2*L);%Variation of the last line not change set to 0(最後一行不變異，強制賦0)
bval(mm)=1-bval(mm);
end

%Output(輸出)
plot(Bfit1);% Draw the best fitness evolution curves(繪制最優適應度進化曲線)
bestv %Output the optimal fitness value(輸出最優適應度值)
這個遺傳的我沒試過
下面這個是蟻群的結果
function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=ACATSP(C,NC_max,m,Alpha,Beta,Rho,Q)
%%=========================================================================
%% ACATSP.m
%%-------------------------------------------------------------------------
%% 主要符號說明
%% C n個城市的坐標，n×2的矩陣
%% NC_max 最大迭代次數
%% m 螞蟻個數
%% Alpha 表徵信息素重要程度的參數
%% Beta 表徵啟發式因子重要程度的參數
%% Rho 信息素蒸發系數
%% Q 信息素增加強度系數
%% R_best 各代最佳路線
%% L_best 各代最佳路線的長度
%%=========================================================================

%%第一步：變數初始化
C=[1304,2312;3639,1315;4177,2244;3712,1399;3488,1535;3326,1556]
NC_max=200;
m=31;
Alpha=1;
Beta=5;
Rho=0.1;
Q=100;

n=size(C,1);%n表示問題的規模（城市個數）
D=zeros(n,n);%D表示完全圖的賦權鄰接矩陣
for i=1:n
for j=1:n
if i~=j
D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;
else
D(i,j)=eps;
end
D(j,i)=D(i,j);
end
end
Eta=1./D;%Eta為啟發因子，這里設為距離的倒數
Tau=ones(n,n);%Tau為信息素矩陣
Tabu=zeros(m,n);%存儲並記錄路徑的生成
NC=1;%迭代計數器
R_best=zeros(NC_max,n);%各代最佳路線
L_best=inf.*ones(NC_max,1);%各代最佳路線的長度
L_ave=zeros(NC_max,1);%各代路線的平均長度

while NC<=NC_max%停止條件之一：達到最大迭代次數
%%第二步：將m只螞蟻放到n個城市上
Randpos=[];
for i=1:(ceil(m/n))
Randpos=[Randpos,randperm(n)];
end
Tabu(:,1)=(Randpos(1,1:m))';

%%第三步：m只螞蟻按概率函數選擇下一座城市，完成各自的周遊
for j=2:n
for i=1:m
visited=Tabu(i,1:(j-1));%已訪問的城市
J=zeros(1,(n-j+1));%待訪問的城市
P=J;%待訪問城市的選擇概率分布
Jc=1;
for k=1:n
if length(find(visited==k))==0
J(Jc)=k;
Jc=Jc+1;
end
end
%下面計算待選城市的概率分布
for k=1:length(J)
P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta);
end
P=P/(sum(P));
%按概率原則選取下一個城市
Pcum=cumsum(P);
Select=find(Pcum>=rand);
to_visit=J(Select(1));
Tabu(i,j)=to_visit;
end
end
if NC>=2
Tabu(1,:)=R_best(NC-1,:);
end

%%第四步：記錄本次迭代最佳路線
L=zeros(m,1);
for i=1:m
R=Tabu(i,:);
for j=1:(n-1)
L(i)=L(i)+D(R(j),R(j+1));
end
L(i)=L(i)+D(R(1),R(n));
end
L_best(NC)=min(L);
pos=find(L==L_best(NC));
R_best(NC,:)=Tabu(pos(1),:);
L_ave(NC)=mean(L);
NC=NC+1

%%第五步：更新信息素
Delta_Tau=zeros(n,n);
for i=1:m
for j=1:(n-1)
Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);
end
Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);
end
Tau=(1-Rho).*Tau+Delta_Tau;

%%第六步：禁忌表清零
Tabu=zeros(m,n);
end

%%第七步：輸出結果
Pos=find(L_best==min(L_best));
Shortest_Route=R_best(Pos(1),:)
Shortest_Length=L_best(Pos(1))
subplot(1,2,1)
DrawRoute(C,Shortest_Route)
subplot(1,2,2)
plot(L_best)
hold on
plot(L_ave)

function DrawRoute(C,R)
%%=========================================================================
%% DrawRoute.m
%% 畫路線圖的子函數
%%-------------------------------------------------------------------------
%% C Coordinate 節點坐標，由一個N×2的矩陣存儲
%% R Route 路線
%%=========================================================================

N=length(R);
scatter(C(:,1),C(:,2));
hold on
plot([C(R(1),1),C(R(N),1)],[C(R(1),2),C(R(N),2)])
hold on
for ii=2:N
plot([C(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)])
hold on
end

❽ 車輛路徑問題代表的是哪一類的問題

車輛路徑問題（vehicle routeing problem，VRP）通常指帶有容量約束的車輛路徑問題（capacitied vehicle routeing problem，CVRP）。這一問題與旅行商問題（travel salesman problem，TSP）具有一定淵源，TSP可以看作是VRP的特殊情況。

先說TSP吧，在一個平整表面，有若干個點，任意兩點間均可到達，我們的旅行商現在正在0點處，他想順次走完所有的點，而且一個點不想走兩遍，最後回到0點，求怎麼走總路徑最短。
CVRP類似，平面內由一系列顧客點（costumer），以及一個車場（depot），一系列車輛想從車場出發不重不漏地訪問所有顧客點最後回到車場。與TSP不同的是，每個顧客點都有一個可量化的需求，而每輛車能滿足需求的能力有限，比如顧客點是消費者，車場是快遞站，快遞員從快遞站出發為消費者送快遞，但是快遞員每次能拿的貨是有限的，就需要好多快遞員同時從快遞站點出發，每個快遞員訪問一系列不同的消費者，最後回到快遞站點。求怎麼走總路徑最短。

❾ 高速收費系統 路徑識別

隨著高速公路網不斷延伸，路網存在二義性路徑環的數量越來越多，越來越復雜，根據車輛行駛路徑收費變得非常復雜，而經營性路段業務對於按實際路徑收費的呼聲越來愈高。
路徑識別系統採用帶權有向圖為高速公路的路網建模，將復雜的路網按照一定的規則進行模型化處理；採用分布計算和內存計算等技術，極大地提高系統處理速度；在業務處理邏輯層面，系統採用路徑預測和路徑分發技術，提前將車輛行駛路徑提前分發到對應的收費站，能夠滿足高速公路快速收費的要求；在數據傳輸層面，採用類似通信中間件技術，確保路徑數據的採集、分發能夠快速、准確傳輸到相應的地方。通過上述技術，最終滿足按實際路徑收費、實際路徑拆帳的聯網收費技術要求。

基於路徑識別的車輛行駛軌跡分析，為收費稽核提供數據支撐服務，提高偷逃費稽核能力。

❿ 高速收費站是如何知道車子行駛路線以及跑了多少里程的

最早的時候，上高速會拿著一張票證，它的原理是，司機進入高速公路後，按照入口的A計費點到出高速公路B計費點這一段最短的路徑，來計算收費，現在很多地方都發一種高速公路二義性路徑識別系統復合通行卡，這種卡里內置了電源，電磁線圈等，利用射頻技術來記錄車輛在高速路上的行車路徑，由此計算里程。