近年来,我国高速公路路网里程数迅速增长,随之带来一些异常行为,例如逃费,这些逃费异常行为不仅会影响到高速公路的正常运营,更为国家带来巨大财产损失。因此,为了能够准确的、快速的检测逃费车辆,通过调研车辆常用的逃费手段,并总结逃费异常行为的重要特征,本文在对高速公路异常数据检测的问题上分析研究,所做的主要工作如下:(1)提出基于IGA-IBP算法对高速公路中车辆的特征属性分析,利用多个黄金分割法改进遗传算法中的变异算子,保证种群的多样性;其次,分步调整BP神经网络各层间的学习率并考虑前一次学习率影响因子,以及动态调整车辆行驶时间来提高算法对高速公路逃费异常的检测准确率和稳定性。实验结果表明,IGA-IBP算法调高了检测速度和检测准确率,在RMSE、MAPE和R~2评价指标上均优于传统的算法,对交通部门的决策有着重要的意义。(2)提出改进萤火虫算法优化加权K-Means算法模型对高速公路逃费行为分析检测,将Rosenbrock搜索算法和萤火虫算法相结合,利用Rosenbrock算法强大的搜索能力,不断更新搜索方向,使得初始聚类中心选取更准确;针对逃费手段共有的主要特征,考虑高速数据中异常点的影响,并且每个样本数据对聚类结果的影响是不同的,因此,对目标函数引入权值,消除初始聚类中心的选取受异常数据的影响,通过萤火虫的亮度不同,亮度大的萤火虫吸引亮度小的萤火虫,不断更新位置获得最终聚类结果。实验结果表明,本文改进的算法在高速公路数据中能有效地检测出异常数据,较传统的算法相比,稳定性强、精确率和效率高。