Как определить сливы топлива и махинации с заправками с помощью ИИ

Поиск сливов топлива и манипуляций с заправками на базе телематических данных всегда был интересной задачей. Современные мониторинговые системы, в том числе Navixy, успешно справляются с ней. Однако на смену классическим алгоритмам детекции постепенно приходят ИИ-модели, которые умеют классифицировать события и находить аномалии напрямую по сырым данным.

Мы протестировали такой подход на практике: создали прототип, который передает модели Jev от Typesafe AI фрагменты телематических данных из IoT Query (аналитической платформы Navixy) и получает классификацию события вместе с оценками для интерпретации результата. Подчеркнем: Jev не позиционируется как замена существующих решений по определению топливных событий. Это дополнительный инструмент и новый способ построения решений.

Главная ценность подхода — гибкость и кастомизация. Сочетание IoT Query и Jev позволяет разработчикам и системным интеграторам создавать собственные приложения принятия решений, точно адаптированные под бизнес-процессы конкретной компании. Речь не о том, чтобы заменить то, что уже работает, а о расширении возможностей с помощью ИИ-моделей.

Где и зачем нужны такие ИИ-модели, как Jev

Jev не пишет тексты и не генерирует код. Ее главная задача — возвращать формализованные решения и вероятности, которые можно сразу использовать в приложениях и системах принятия решений. На вход модель получает два блока:

1. Состояние системы (параметры, значения, JSON-контекст).
2. Набор типизированных вопросов.

Модель Jev оценивает каждый вопрос относительно переданного состояния и отдает один из зафиксированных вариантов вместе с вероятностью. Пользователь или его агент могут использовать результаты дальше в приложениях, например, для принятия решений.

Как с помощью Jev найти сливы и заправки?

В управлении автопарком вопросы, связанные с топливом, всегда являются одними из самых острых. Сегодня сливы происходят реже, но махинации с чеками никто не отменял: по чеку 50 литров, фактически залито 40.

Традиционно для поиска таких событий используют скользящие средние и классическое машинное обучение. Теперь ядром определения событий может стать ИИ-модель, которая на сырых данных отвечает: «это заправка», «это слив», «это калибровка/перемещение жидкости» или «не уверен», и сразу добавляет вероятность и рассчитанный объем.

Для работы с кастомной аналитикой в экосистеме Navixy удобно использовать IoT Query — решение, которое предоставляет доступ ко всему спектру клиентских данных: от телематических до бизнес-данных, используемых для интеграций и построения собственных аналитических приложений. В нашем прототипе мы используем сырые данные как основу для анализа событий, а Jev помогает определить, к какому типу относится каждое из них.

Схема работы прототипа проста:

1. Алгоритм отслеживает уровень топлива и фиксирует события-претенденты (резкие изменения объема).
2. Вырезает короткий фрагмент временного ряда с телематическими параметрами.
3. Передает его в Jev вместе с типизированными вопросами.
4. Модель возвращает класс события, вероятность и дополнительные оценки.

В результате получается запись вида: 13:32 — заправка, 67 литров, вероятность 87 %

Как выглядит запрос и ответ

С технической точки зрения взаимодействие выглядит просто. Мы передаем модели объект state с параметрами события и объект questions с тем, что именно нужно оценить.

Запрос к модели:

{
  "model": "typesafe/jev-1.13",
  "state": {
    "vehicle_speed": "...",
    "vehicle_stationary": "...",
    "gps_quality": "...",
    "..."
  },
  "questions": {
    "real_fuel_increase": {
      "type": "noul",
      "instructions": "Is the observed fuel increase a genuine added volume rather than sensor noise, tilt, a spike, or recovery from zero?",
      "criteria": {
        "true": "Sustained, physically plausible increase from a non-empty tank.",
        "false": "Change is within noise, oscillatory, a recovery from zero, or not a real fill."
      }
    },
    "..."
  }
}

В state перечислены параметры и значения окна: бак (было/стало/дельта/скорость залива), движение (скорость, стоял ли, GPS), качество сигнала (шум, дыра, число точек) и пороги профиля (минимум заправки, пустой бак, максимальная скорость «на колонке»).

В questions — вопросы «да/нет» (noul): реальный плюс, реальный минус, шум, стоял, похоже на заправку, на слив, калибровка. И один вопрос «выбери класс» (event_type): заправка / слив / аномалия / калибровка / не уверен.

Ответ содержит оценки по отдельным признакам и результат классификации:

{
  "answers": {
    "real_fuel_increase": { "noul": 0.87 },
    "real_fuel_decrease": { "noul": 0.11 },
    "sensor_noise": { "noul": 0.07 },
    "vehicle_stationary": { "noul": 0.77 },
    "matches_refuel_profile": { "noul": 0.94 },
    "matches_drain_profile": { "noul": 0.02 },
    "likely_calibration": { "noul": 0.08 },
    "gap_confounds_event": { "noul": 0.07 },
    "event_type": {
      "choice": "REFUEL",
      "confidence": 1.0,
      "probabilities": {
        "REFUEL": 1,
        "FUEL_DRAIN": 0,
        "FUEL_SENSOR_ANOMALY": 0,
        "CALIBRATION_SHIFT": 0,
        "UNKNOWN_FUEL_EVENT": 0
      }
    }
  }
}

В этом примере модель выбрала класс REFUEL, оценила соответствие профилю заправки в 0,94 и реальность увеличения уровня топлива — в 0,87.

Какой результат мы получили?

Мы тестировали модель на недельных окнах данных, приближая условия к задачам флит-менеджера, и сравнивали результаты с фактическими событиями.

Показатель	Результат
Охват данных	93,8 %
Точность	98,4 %
Достоверность событий заправки и рассчитанного объема	99 %

В прототипе использовались 25 параметров из слоя сырых данных IoT Query, включая настраиваемые пороги для конкретного автопарка и сенсоров, а также кастомные метрики.

Такая гибкость позволяет учитывать реальные рабочие процессы: объединять последовательные изменения в одно событие заправки, отличать сбои телеметрии от потенциального хищения и корректно обрабатывать пограничные ситуации.

Что дальше?

Заправки и сливы — лишь один из сценариев. В повседневной работе автопарка таких задач гораздо больше:

• вход и выход из геозоны — согласованное изменение маршрута или нарушение;
• длительный простой — плановая разгрузка или ожидание;
• потеря связи — временное отсутствие покрытия или поломка устройства.

Связка IoT Query (сырые данные) + Jev (детерминированная классификация с вероятностями) может стать основой для кастомного решения событийной аналитики или автономной системы принятия решений во всех перечисленных случаях. Хотите создавать свои приложения на базе телематических данных, напишите нам.

Подробнее о том, как строить агентные системы на телематических данных, — в статье о разговорной аналитике.