【目的】为严格维护高速公路运营秩序和提高高速公路运行效率，对逃费车辆进行精准稽查以追缴过往车辆偷逃通行费。【方法】通过分析高速公路车辆通行卡大数据，采用随机森林(Random forest，RF)筛选车型、车轴组数、总质量、超载率和通行费共5个逃费特征，经过虚拟化类型变量，利用合成少数类过采样技术(Synthetic minority oversampling technique，SMOTE)算法平衡数据集，建立了逻辑回归(Logistic regression，LR)逃费车辆状态预测模型。【结果】基于RF-LR的高速公路逃费车辆状态预测模型有利于挖掘提取大数据中的有用信息，对逃费车辆状态预测具有较高的精度，预测正确率达到91.74%，预测精准率达到91.95%，召回率达到99.25%，预测性能较好。【结论】基于RF-LR的高速公路逃费车辆状态预测模型较以往简单预测模型有较大改进，消除了预测结果过拟合现象，提高了预测精度，预测结果可为高速公路运营管理提供参考，提高工作效率，实现对偷逃通行费行为的快速稽查。