El sistema ETC de autopistas ampliamente adoptado en China proporciona una base factible para lograr la integración cooperativa de vehículos-infraestructura, y la precisión de los datos ETC, que constituyen la base de este esquema, afectará directamente la seguridad de la conducción. Por lo tanto, este estudio se centra en los datos anómalos en un sistema ETC de autopistas. Este estudio combina datos de topología de la red vial y datos de captura para extraer los patrones anómalos de los datos ETC, y diseña un modelo de identificación de anomalías para los datos de transacciones de autopistas basado en TL-XGBoost. Este modelo categoriza los datos anómalos de ETC de autopistas en cuatro clases distintas: detecciones faltantes, detección de carril contrario, detección duplicada y detección de trayectoria inversa. Se utilizaron datos de transacciones ETC de una provincia del sureste de China para la experimentación. Los resultados validan la efectividad del modelo, logrando una precisión del 98.14%, una precisión del 97.59%, una recuperación del 95.44% y una puntuación F1 del 96.49%. Además, este estudio realiza un análisis y ofrece información sobre las posibles causas de anomalías en los datos de ETC de autopistas.