CN113706857B - 道路通行性的确定方法、装置、设备及存储介质 - Google Patents

道路通行性的确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113706857B
CN113706857B CN202010444175.7A CN202010444175A CN113706857B CN 113706857 B CN113706857 B CN 113706857B CN 202010444175 A CN202010444175 A CN 202010444175A CN 113706857 B CN113706857 B CN 113706857B
Authority
CN
China
Prior art keywords
road section
abnormal
traffic
directed
directed road
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010444175.7A
Other languages
English (en)
Other versions
CN113706857A (zh
Inventor
郭海会
王帅
张传明
李曼
谷艳蕾
卢振
卓慧超
白红霞
宗希鹏
林友杰
周令辉
渠勍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010444175.7A priority Critical patent/CN113706857B/zh
Publication of CN113706857A publication Critical patent/CN113706857A/zh
Application granted granted Critical
Publication of CN113706857B publication Critical patent/CN113706857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了道路通行性的确定方法、装置、设备及存储介质，涉及智能交通领域。具体实现方案为：通过确定出道路路网中的至少一条异常有向路段，然后将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，得到每条异常有向路段的目标通行性权值；其中，本申请实施例中确定的任意有向路段的目标通行性权值不仅可以用于指示开通状态和非开通状态，还可以用于指示介于开通状态与非开通状态之间的通行性状态，以便于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线，从而提高了用户导航体验。

Description

道路通行性的确定方法、装置、设备及存储介质
技术领域
本申请实施例涉及数据处理技术领域中的智能交通，尤其涉及一种道路通行性的确定方法、装置、设备及存储介质。
背景技术
电子地图导航功能作为电子地图非常重要的功能，也得到越来越多用户的使用。其中，电子地图导航功能的路线规划过程中起关键性作用的就是道路的通行性(代表道路的通行能力)。
现有技术中，通过用户生成内容(User Generated Content，UGC)反馈或者对采集的道路图像进行分析等方式来确定道路的通行性。但现有技术只能确定出道路的通行性为开通状态还是非开通状态。
发明内容
本申请提供了一种道路通行性的确定方法、装置、设备及存储介质，实现了确定的任意有向路段的目标通行性权值可以用于指示介于开通状态与非开通状态之间的通行性状态(也包括开通状态和非开通状态)。
根据本申请的一方面，提供了一种道路通行性的确定方法，包括：
确定道路路网中的至少一条异常有向路段；
将每条所述异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，得到每条所述异常有向路段的目标通行性权值；其中，所述目标通行性权值大于等于第一预设数值且小于等于第二预设数值，所述第一预设数值用于指示路段为开通状态，所述第二预设数值用于指示路段为非开通状态。
可以看出，与现有技术不同的是，本申请实施例中，通过确定出道路路网中的至少一条异常有向路段，然后将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，便可得到每条异常有向路段的目标通行性权值；其中，目标通行性权值大于等于第一预设数值且小于等于第二预设数值，第一预设数值用于指示路段为开通状态，第二预设数值用于指示路段为非开通状态，即本申请实施例中确定的任意有向路段的目标通行性权值不仅可以用于指示开通状态和非开通状态，还可以用于指示介于开通状态与非开通状态之间的通行性状态，以便于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线，从而提高了用户导航体验。
根据本申请的另一方面，提供了一种道路通行性的确定装置，包括：
第一确定模块，用于确定道路路网中的至少一条异常有向路段；
预测模块，用于将每条所述异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，得到每条所述异常有向路段的目标通行性权值；其中，所述目标通行性权值大于等于第一预设数值且小于等于第二预设数值，所述第一预设数值用于指示路段为开通状态，所述第二预设数值用于指示路段为非开通状态。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
根据本申请的另一方面，提供一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本申请的技术，通过确定出道路路网中的至少一条异常有向路段，然后将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，便可得到每条异常有向路段的目标通行性权值；其中，目标通行性权值大于等于第一预设数值(用于指示路段为开通状态)且小于等于第二预设数值(用于指示路段为非开通状态)，即本申请实施例中确定的任意有向路段的目标通行性权值不仅可以用于指示开通状态和非开通状态，还可以用于指示介于开通状态与非开通状态之间的通行性状态，以便于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线，从而提高了用户导航体验。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例提供的应用场景示意图；
图2为本申请一实施例提供的道路通行性的确定方法的流程示意图；
图3为本申请另一实施例提供的道路通行性的确定方法的流程示意图；
图4为本申请另一实施例提供的道路通行性的确定方法的流程示意图；
图5为本申请另一实施例提供的道路通行性的确定方法的流程示意图；
图6为本申请另一实施例提供的道路通行性的确定方法的流程示意图；
图7为本申请实施例提供的通行性预测模型更新的示意图；
图8为本申请实施例提供的道路通行性的确定装置的结构示意图；
图9是用来实现本申请实施例的道路通行性的确定方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
首先，对本申请实施例的应用场景和所涉及的部分词汇进行解释说明。
电子地图导航功能作为电子地图非常重要的功能，也得到越来越多用户的使用。其中，电子地图导航功能的路线规划过程中起关键性作用的就是道路的通行性(代表道路的通行能力)。
现有技术中，通过用户生成内容(User Generated Content，UGC)反馈或者对采集的道路图像进行分析等方式来确定道路的通行性。但现有技术只能确定出道路的通行性为开通状态还是非开通状态，无法确定出道路的通行性介于开通状态与非开通状态之间的状态，使得在导航过程中会认为一条道路要么能走，要么不能走，从而导致为用户导航时无法为用户规划合理的路线(例如容易规划一些比较绕路的导航路线)，容易造成用户导航体验较差。
针对现有技术只能确定出道路的通行性为开通状态还是非开通状态的问题，本申请实施例提供的道路通行性的确定方法、装置、设备及存储介质，通过确定出道路路网中的至少一条异常有向路段，然后将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，便可得到每条异常有向路段的目标通行性权值；其中，目标通行性权值大于等于第一预设数值且小于等于第二预设数值，第一预设数值用于指示路段为开通状态，第二预设数值用于指示路段为非开通状态，即本申请实施例中确定的任意有向路段的目标通行性权值不仅可以用于指示开通状态和非开通状态，还可以用于指示介于开通状态与非开通状态之间的通行性状态，以便于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线，从而提高了用户导航体验。
图1为本申请实施例提供的应用场景示意图。如图1所示，本申请实施例的应用场景中可以包括但不限于：至少一个终端10(需要说明的是，图1中以3个终端10为例进行示出的)以及电子设备11。需要说明的是，本申请实施例提供的道路通行性的确定方法可以应用于电子设备11。
示例性地，任意终端10可以用于向电子设备11发送终端10对应的车行轨迹信息，还可以向电子设备11发送导航请求；当然，还可以向电子设备11发送其它信息，本申请实施例中对此并不作限定。
示例性地，电子设备11可以用于每隔预设时长获取道路路网中的至少一条异常有向路段，然后将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，便可得到每条异常有向路段的目标通行性权值。由于本申请实施例中确定的任意有向路段的目标通行性权值可以用于指示介于开通状态与非开通状态之间的通行性状态(也包括开通状态和非开通状态)，以便于在接收到任意终端10发送的导航请求时，可以结合道路路网中各有向路段的目标通行性权值为终端10规划更加合理的导航路线，可以避免一些不必要的绕路。
示例性地，本申请实施例中涉及的终端10可以包括但不限于以下任一项：智能手机、平板电脑、车载终端设备、可穿戴智能设备。
示例性地，本申请实施例中涉及的电子设备11可以包括但不限于服务器(例如地图服务器)。
本申请实施例中涉及的任意车行轨迹信息用于指示对应车辆的多个移动轨迹点的信息。示例性地，任意移动轨迹点的信息可以包括但不限于：车辆的位置信息和对应的时间信息。
例如，若车行轨迹信息以轨迹点序列形式存在，则车行轨迹信息可以包括：(x1,y1,t1),(x2,y2,t2),…,(xn,yn,tn)；其中，x1代表在时间t1时车辆所处位置的经度信息，y1代表在时间t1时车辆所处位置的纬度信息，x2代表在时间t2时车辆所处位置的经度信息，y2代表在时间t2时车辆所处位置的纬度信息，xn代表在时间tn时车辆所处位置的经度信息，yn代表在时间tn时车辆所处位置的纬度信息。
本申请实施例中，电子设备可以结合道路路网的结构信息(可以包括但不限于：各有向路段信息和各节点信息)可以将任意车行轨迹信息转换为对应的车行轨迹有向路段信息。其中，任意车行轨迹有向路段信息可以用于指示对应车辆的多个移动轨迹点的信息所对应的有向路段信息。
示例性地，任意车行轨迹有向路段信息可以包括但不限于：对应车辆的至少一个位置信息、每个位置信息对应的时间信息和电子地图道路路网中的有向路段信息。
例如，若车行轨迹路段信息以有向路段序列形式存在，则车行轨迹有向路段信息可以包括：(x1,y1,t1，link1),(x2,y2,t2，link2),…,(xn,yn,tn，linkn)；其中，link1代表在时间t1时车辆所处位置对应的有向路段，link2代表在时间t2时车辆所处位置对应的有向路段，linkn代表在时间tn时车辆所处位置对应的有向路段。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请一实施例提供的道路通行性的确定方法的流程示意图。本申请实施例的执行主体可以为上述电子设备，或者上述电子设备中的道路通行性的确定装置(需要说的是，本申请下述实施例中以执行主体为上述电子设备为例进行介绍)。示例性地，上述道路通行性的确定装置可以通过软件和/或硬件实现。
如图2所示，本申请实施例提供的道路通行性的确定方法可以包括：
步骤S201、确定道路路网中的至少一条异常有向路段。
本步骤中，电子设备可以实时地确定道路路网中的至少一条异常有向路段、或者可以每隔预设时长确定道路路网中的至少一条异常有向路段，或者也可以在接收到获取指令时确定道路路网中的至少一条异常有向路段，以便于进一步确定至少一条异常有向路段的目标通行性权值；其中，异常有向路段可以是指通行性(或者通行能力)发生异常的有向路段。
步骤S202、将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，得到每条异常有向路段的目标通行性权值；其中，目标通行性权值大于等于第一预设数值且小于等于第二预设数值。
本申请实施例中，电子设备中可以预置有通行性预测模型。示例性地，电子设备可以预先从其它设备处获取到训练好的通行性预测模型，或者电子设备可以在步骤S202之前根据多个训练样本对机器学习模型、集成机器学习模型或者深度学习模型等进行参数训练得到通行性预测模型。
示例性地，机器学习模型可以包括但不限于以下任一项：决策树(Decision Tree，DT)、支持向量机(Support Vector Machine，SVM)。集成机器学习模型可以包括但不限于以下任一项：梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)模型、随机森林(Random Forest，RF)、梯度提升决策树模型(eXtreme Gradient Boosting，XGBOOST)。深度学习模型可以包括但不限于：长短期记忆网络(Long Short-Term Memory，LSTM)，卷积神经网络(Convolutional Neural Networks，CNN)。
应理解，训练上述通行性预测模型所采用的多个训练样本中可以包括但不限于：满足预设数量要求的多个正训练样本(是指处于开通状态的有向路段对应的第一车行轨迹特征)和多个负训练样本(是指处于非开通状态的有向路段对应的第一车行轨迹特征)。
应理解，上述多个训练样本可以包括：原始样本，以及对原始样本进行扩展处理所得到的扩展样本。
示例性地，电子设备可以通过半监督方式对原始样本进行自动扩展得到扩展样本。例如，电子设备可以根据有向路段的正常通行时的轨迹数量确定出扩展数量，其次根据扩展数量确定出扩展间隔，然后通过半监督方式按照扩展间隔对原始样本扩展上述扩展数量个样本。
当然，还可以通过其它扩展方式，得到扩展样本，本申请实施例中对此并不作限定。
示例性地，本申请实施例中的任意有向路段的第一车行轨迹特征用于指示上述有向路段在预设统计时段内的车行轨迹信息的特征。
本步骤中，电子设备可以将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，便可得到每条异常有向路段的目标通行性权值；其中，目标通行性权值可以大于等于第一预设数值(例如，0)且小于等于第二预设数值(例如，1)，第一预设数值用于指示路段为开通状态，第二预设数值用于指示路段为非开通状态，即本申请实施例中确定的任意有向路段的目标通行性权值不仅可以用于指示开通状态和非开通状态，还可以用于指示介于开通状态与非开通状态之间的通行性状态。
综上所述，本申请实施例中，通过确定出道路路网中的至少一条异常有向路段，然后将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，便可得到每条异常有向路段的目标通行性权值；其中，目标通行性权值大于等于第一预设数值(用于指示路段为开通状态)且小于等于第二预设数值(用于指示路段为非开通状态)，即本申请实施例中确定的任意有向路段的目标通行性权值不仅可以用于指示开通状态和非开通状态，还可以用于指示介于开通状态与非开通状态之间的通行性状态，以便于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线，从而提高了用户导航体验。
图3为本申请另一实施例提供的道路通行性的确定方法的流程示意图。在上述实施例的基础上，本申请实施例对上述步骤S202中将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，得到每条异常有向路段的目标通行性权值的可实现方式进行介绍。
本实现方式中，本申请实施例中涉及的第一车行轨迹特征可以包括但不限于：第一子车行轨迹特征和第二子车行轨迹特征，通行性预测模型可以包括但不限于：第一通行性预测子模型、第二通行性预测子模型和通行性预测融合模型。
如图3所示，本申请实施例的方法可以包括：
步骤S301、将每条异常有向路段的第一子车行轨迹特征输入第一通行性预测子模型，得到每条异常有向路段的第一通行性权值。
可选地，本申请实施例中涉及的任意异常有向路段的第一子车行轨迹特征可以包括但不限于以下至少一项：第一基础轨迹特征、统计轨迹特征、第一组合轨迹特征、第一趋势轨迹特征。
示例性地，本申请实施例中涉及的任意异常有向路段的第一基础轨迹特征可以包括但不限于以下至少一项：道路等级、在预设统计时段内的最新X(例如，200)条轨迹的平均速度、在预设统计时段内的最新X(例如，200)条轨迹的全球定位系统(Global PositioningSystem，GPS)平均误差半径。
例如，道路等级可以包括但不限于以下至少一项：高速道路、城市高速、国道、省道、县道、乡镇村道、轮渡、步行道路。
示例性地，本申请实施例中涉及的任意异常有向路段的统计轨迹特征可以包括但不限于以下至少一项：
平均放射概率，用于指示在预设统计时段内的轨迹与道路路网的匹配程度；
最大穿行量，用于指示在预设统计时段(例如，当前统计时刻之前6小时)内的每小时最大穿行量；
累计穿行量，用于指示在预设统计时段(例如，当前统计时刻之前6小时)内的累计穿行量；
水平分布，用于指示在预设统计时段内的最新X(例如，200)条轨迹的水平分布；例如，将最新X条轨迹按照GPS占比划分为三份，其中最小份的GPS占比；
一级分支节点流量占比，用于指示在预设统计时段内的分支节点处的流量占比；例如，假设有向路段1(主路段)通过公共节点分别连接有向路段2(主路段)和有向路段3(辅路段)，一级分支节点流量占比用于指示有向路段1到有向路段2的通行量与有向路段1到有向路段2和有向路段3的总通行量的比值信息；
复合路口流量占比，用于指示在预设统计时段内的轨迹流量在路口处的进出流量分布；
一级通行路口分支节点流量占比，用于指示当在预设统计时段内存在多个封闭路口时，第一个封闭路口的进出流量分布；
绕路占比，用于指示在预设统计时段内实际轨迹路线的平均距离与最短规划路线距离的比值；
平行路轨迹叠贴合度，用于指示在预设统计时段内平行路场景轨迹与主路/辅路贴合度；
垂直距离，用于指示在预设统计时段内轨迹中心线与道路路网之间的距离；
最大需求等级，用于指示在预设统计时段内道路正常通行时的轨迹数量；
当天累计偏航量，用于指示在预设统计时段内(例如，当前统计时刻的当天)的累计偏航量；
当天累计连续偏航量，用于指示在预设统计时段内(例如，当前统计时刻的当天)的累计连续偏航量；
中心线最大偏差值；
高车行角度差，用于指示在预设统计时段内的车行轨迹与道路路网之间角度差的平均值；
平均绕路距离，用于指示在预设统计时段内的最新X(例如，200)条轨迹的平均绕路距离。
示例性地，本申请实施例中涉及的任意异常有向路段的第一组合轨迹特征可以包括但不限于以下至少一项：
在预设统计时段内的最新X条轨迹的穿行绕路比(用于指示穿行量与穿行量与绕路量之和的比值信息)、在预设统计时段内的最新X条轨迹的掉头穿行占比(用于指示掉头量与掉头量与穿行量之和的比值信息)；在预设统计时段内的最新X条轨迹的穿行匹配比(用于指示穿行量与匹配量的比值信息)、在预设统计时段内的偏航率(用于指示偏航量与规划量的比值信息)、天级穿行骤降/规划骤降，用于指示考虑道路需求量变化因素对应通行量(或者称之为穿行量)变化。
示例性地，本申请实施例中涉及的任意异常有向路段的第一趋势轨迹特征可以包括但不限于以下至少一项：
骤升比，用于指示在预设统计时段内的道路通行量的上升程度；
骤降比，用于指示在预设统计时段内的道路通行量的下降程度；例如，当前统计时刻之前的预设时长1(例如，24小时)内的穿行量与当前统计时刻之前的预设时长2(例如，15天)内的最大穿行量的比值信息；
穿行量比值，用于指示在预设统计时段内对应切片的穿行量比值；例如，当前统计时刻之前的预设时长3(例如，15分钟、30分钟、60分钟、3小时、6小时，和/或24小时)与当前统计时刻之前的预设时长4(例如，14天)对应切片的穿行量比值；
偏航骤升，用于指示在预设统计时段内的道路偏航量的上升程度；例如，当前统计日期的偏航量与当前统计日期之前的预设时长2(例如，15天)内的最大偏航量的比值信息；
连续偏航骤升，用于指示在预设统计时段内的道路连续偏航量的上升程度；例如，当前统计日期的连续偏航量与当前统计日期之前的预设时长2(例如，15天)内的最大偏航量的比值信息。
需要说明的是，上述第一子车行轨迹特征中涉及的各预设统计时段可以为相同的时段，也可以为不同的时段，本申请实施例中对此并不作限定。
应理解，若本申请实施例中涉及的通行性预测模为电子设备可以根据多个训练样本对机器学习模型、集成机器学习模型或者深度学习模型等进行参数训练所得到的，则上述第一通行性预测子模型可以为电子设备根据多个训练样本对机器学习模型、集成机器学习模型或者深度学习模型等进行参数训练得到；其中，多个训练样本中可以包括：多个正训练样本(是指处于开通状态的有向路段对应的第一子车行轨迹特征)和多个负训练样本(是指处于非开通状态的有向路段对应的第一子车行轨迹特征)。
本步骤中，电子设备可以将每条异常有向路段的第一子车行轨迹特征输入第一通行性预测子模型，便可得到每条异常有向路段的第一通行性权值；其中，第一通行性权值可以大于等于第一预设数值(例如，0)且小于等于第二预设数值(例如，1)。
步骤S302、将每条异常有向路段的第二子车行轨迹特征输入第二通行性预测子模型，得到每条异常有向路段的第二通行性权值。
示例性地，本申请实施例中涉及的任意异常有向路段的第二子车行轨迹特征可以包括但不限于以下至少一项：第二基础轨迹特征、第二组合轨迹特征、均值标准差轨迹特征、第二趋势轨迹特征。
示例性地，本申请实施例中涉及的任意异常有向路段的第二基础轨迹特征可以包括但不限于以下至少一项：平均放射概率、在预设统计时段内的平均速度、在预设统计时段内的GPS平均误差半径、在预设统计时段内的绕路轨迹条数(或者称之为绕路量)、在预设统计时段内的偏航轨迹条数(或者称之为偏航量)、在预设统计时段内的规划轨迹条数(或者称之为规划量)、在预设统计时段内的导航贯穿(或者称之为穿行)轨迹条数(或者称之为导航贯穿量)、在预设统计时段内的导航匹配轨迹条数(或者称之为导航匹配量)、在预设统计时段内的第三方(或者称之为合作方)穿行轨迹条数、在预设统计时段内的第三方匹配轨迹条数。
示例性地，本申请实施例中涉及的任意异常有向路段的第二组合轨迹特征可以包括但不限于以下至少一项：偏航率(用于指示在预设统计时段内的偏航量与规划量的比值信息)、贯穿累计和(用于指示在预设统计时段内的导航贯穿量与第三方贯穿轨迹条数的和)、匹配轨迹累计和(用于指示在预设统计时段内的导航匹配量与第三方匹配轨迹条数的和)、掉头轨迹累计和(用于指示在预设统计时段内的导航掉头量与第三方掉头轨迹条数的和)、掉头轨迹占比(用于指示在预设统计时段内的掉头轨迹量与匹配轨迹量的比值)、前1/3位置点占比(用于指示在预设统计时段内投影点在对应有向路段的前1/3位置的轨迹点数与该有向路段上总轨迹点数的比值)、后1/3位置点占比(用于指示在预设统计时段内投影点在对应有向路段的后1/3位置的轨迹点数与该有向路段上总轨迹点数的比值)。
示例性地，本申请实施例中涉及的任意异常有向路段的均值标准差轨迹特征可以包括但不限于以下至少一项：在预设统计时段(例如，5天)内的贯穿量均值、在预设统计时段(例如，5天)内的贯穿量均值标准差、在预设统计时段(例如，5天)内的匹配量均值、在预设统计时段(例如，5天)内的匹配量均值标准差、在预设统计时段(例如，5天)内的规划量均值、在预设统计时段(例如，5天)内的规划量标准差。
示例性地，本申请实施例中涉及的任意异常有向路段的第二趋势轨迹特征可以包括但不限于以下至少一项：穿行趋势(用于指示在预设统计时段内的穿行轨迹量的变化趋势)、匹配趋势(用于指示在预设统计时段内的轨迹量的变化趋势)、掉头趋势(用于指示在预设统计时段内的掉头轨迹量的变化趋势)。
需要说明的是，上述第二子车行轨迹特征中涉及的各预设统计时段可以为相同的时段，也可以为不同的时段，本申请实施例中对此并不作限定。
应理解，若本申请实施例中涉及的通行性预测模为电子设备可以根据多个训练样本对机器学习模型、集成机器学习模型或者深度学习模型等进行参数训练所得到的，则上述第二通行性预测子模型可以为电子设备根据多个训练样本对深度学习模型等进行参数训练得到；其中，多个训练样本中可以包括但不限于：多个正训练样本(是指处于开通状态的有向路段对应的第二子车行轨迹特征)和多个负训练样本(是指处于非开通状态的有向路段对应的第二子车行轨迹特征)。
本步骤中，电子设备可以将每条异常有向路段的第二子车行轨迹特征输入第二通行性预测子模型，便可得到每条异常有向路段的第二通行性权值；其中，第二通行性权值可以大于等于第一预设数值(例如，0)且小于等于第二预设数值(例如，1)。
步骤S303、将每条异常有向路段的第一通行性权值和第二通行性权值，输入通行性预测融合模型，得到每条异常有向路段的目标通行性权值。
本步骤中，针对每条异常有向路段，电子设备可以将上述异常有向路段的第一通行性权值和第二通行性权值，输入通行性预测融合模型，便可得到上述异常有向路段的目标通行性权值。
可选地，本申请实施例中涉及的通行性预测融合模型可以包括但不限于：逻辑回归(Logistic Regression,LR)模型。示例性地，本申请实施例中涉及的通行性预测融合模型可以满足如下公式：
hθ(x1，x2)＝θ0+θ1x1+θ2x2
其中，hθ代表目标通行性权值，θ0、θ1和θ2分别代表通行性预测融合模型的三个模型参数，x1代表第一通行性权值，x2代表第二通行性权值。
当然，本申请实施例中涉及的通行性预测融合模型还可以满足上述公式的其它等效公式或者变形公式，本申请实施例中对此并不作限定。
综上所述，本申请实施例中，通过根据第一子车行轨迹特征获取每条异常有向路段的第一通行性权值，以及根据第二子车行轨迹特征获取每条异常有向路段的第二通行性权值；然后将每条异常有向路段的第一通行性权值和第二通行性权值输入通行性预测融合模型，便可得到每条异常有向路段的目标通行性权值。可见，本申请实施例中，通过结合多个通行性预测子模型的预测结果的方式，可以提高异常有向路段的目标通行性权值的准确性。
需要说明的，本申请实施例中涉及的通行性预测模型也可以包括上述第一通行性预测子模型(不包括上述第二通行性预测子模型)，上述第一车行轨迹特征可以包括上述第一子车行轨迹特征(不包括上述第二子车行轨迹特征)，对应地，上述第一通行性预测子模型输出的第一通行性权值即为目标通行性权值。
或者，本申请实施例中涉及的通行性预测模型也可以包括上述第二通行性预测子模型(不包括上述第一通行性预测子模型)，上述第一车行轨迹特征可以包括上述第二子车行轨迹特征(不包括上述第一子车行轨迹特征)，对应地，上述第二通行性预测子模型输出的第二通行性权值便为目标通行性权值。
考虑到某些路段由于突变因素(例如，疫情、自然灾害等)，或者其它因素(例如，非工作日、非节假日、淡季等)，使得这些路段的车行轨迹特征会发生比较大的变化，导致计算得到的通行性权值虽然小于等于第二预设数值，但其实这些路段的通行量的下降(或者说车行轨迹特征的变化)是属于正常状态。
针对这种情况，本申请实施例中，电子设备在确定出每条异常有向路段的目标通行性权值之后，还可以进一步判断每条异常有向路段是否属于通行量(或者称之为穿行量)异常路段，然后对属于通行量异常路段的各异常有向路段的目标通行性权值进行存储，而对于不属于通行量异常路段的各异常有向路段的目标通行性权值则不会进行存储，从而有利于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线，还可以节省存储资源。
可选地，针对属于通行量异常路段的任意异常有向路段，电子设备可以根据历史用户路段反馈信息中是否存储有上述异常有向路段的历史反馈信息，和/或，历史路段通行性信息中是否存储有上述异常有向路段的历史通行性权值，对上述异常有向路段的目标通行性权值进行存储。
本申请实施例中涉及的历史用户路段反馈信息可以包括但不限于：历史用户反馈的至少一条有向路段的路段信息(例如，路况正常从而车流畅通，或者路况非正常导致车流不畅通等)。
本申请实施例中涉及的历史路段通行性信息可以包括但不限于：至少一条通行量异常路段的历史通行性权值。
一种可能的实现方式中，针对属于通行量异常路段的任意异常有向路段，若历史用户路段反馈信息中未存储有上述异常有向路段的历史反馈信息，以及历史路段通行性信息中未存储有上述异常有向路段的历史通行性权值，则电子设备可以对上述异常有向路段的目标通行性权值进行存储。
又一种可能的实现方式中，针对属于通行量异常路段的任意异常有向路段，若历史用户路段反馈信息中存储有上述异常有向路段的历史反馈信息，且上述异常有向路段的历史反馈信息用于指示上述异常有向路段的路况非正常导致车流不畅通，但历史路段通行性信息中未存储有上述异常有向路段的历史通行性权值，则电子设备可以对上述异常有向路段的目标通行性权值进行存储。
或者，若历史用户路段反馈信息中存储有上述异常有向路段的历史反馈信息，且上述异常有向路段的历史反馈信息用于指示上述异常有向路段的路况正常从而车流畅通，但历史路段通行性信息中未存储有上述异常有向路段的历史通行性权值，则电子设备可以不对上述异常有向路段的目标通行性权值进行存储。
又一种可能的实现方式中，若历史用户路段反馈信息中未存储有上述异常有向路段的历史反馈信息，历史路段通行性信息中存储有上述异常有向路段的历史通行性权值，且上述历史通行性权值与上述异常有向路段的目标通行性权值之间的绝对差值大于等于第一预设差值(例如，0.1)，则电子设备可以对上述异常有向路段的目标通行性权值进行存储。
或者，若历史用户路段反馈信息中未存储有上述异常有向路段的历史反馈信息，历史路段通行性信息中存储有上述异常有向路段的历史通行性权值，且上述历史通行性权值与上述异常有向路段的目标通行性权值之间的绝对差值小于第一预设差值，则电子设备可以不对上述异常有向路段的目标通行性权值进行存储。
又一种可能的实现方式中，若历史用户路段反馈信息中存储有上述异常有向路段的历史反馈信息，历史路段通行性信息中存储有上述异常有向路段的历史通行性权值，上述异常有向路段的历史通行性权值的存储时间晚于上述异常有向路段的历史反馈信息的存储时间，且当上述历史通行性权值与上述异常有向路段的目标通行性权值之间的绝对差值大于等于第一预设差值(例如，0.1)时，则电子设备可以对上述异常有向路段的目标通行性权值进行存储；当上述历史通行性权值与上述异常有向路段的目标通行性权值之间的绝对差值小于第一预设差值时，则电子设备可以不对上述异常有向路段的目标通行性权值进行存储。
又一种可能的实现方式中，若历史用户路段反馈信息中存储有上述异常有向路段的历史反馈信息，历史路段通行性信息中存储有上述异常有向路段的历史通行性权值，上述异常有向路段的历史反馈信息的存储时间晚于上述异常有向路段的历史通行性权值的存储时间，且当上述历史通行性权值与上述异常有向路段的目标通行性权值之间的绝对差值大于等于第二预设差值(例如，0.3)时，则电子设备可以对上述异常有向路段的目标通行性权值进行存储；当上述历史通行性权值与上述异常有向路段的目标通行性权值之间的绝对差值小于第二预设差值，且上述异常有向路段的历史反馈信息用于指示上述异常有向路段的路况非正常导致车流不畅通时，则电子设备可以对上述异常有向路段的目标通行性权值进行存储；当上述历史通行性权值与上述异常有向路段的目标通行性权值之间的绝对差值小于第二预设差值，且上述异常有向路段的历史反馈信息用于指示上述异常有向路段的路况正常从而车流畅通时，则电子设备可以不对上述异常有向路段的目标通行性权值进行存储。
需要说明的是，电子设备也可以只根据历史用户路段反馈信息中是否存储有上述异常有向路段的历史反馈信息，或者，历史路段通行性信息中是否存储有上述异常有向路段的历史通行性权值，来对上述异常有向路段的目标通行性权值进行存储，具体的方式可以参考上述相关内容，此处不再赘述。
综上所述，本申请实施例中，针对属于通行量异常路段的任意异常有向路段，通过结合历史用户路段反馈信息中是否存储有上述异常有向路段的历史反馈信息，和/或，历史路段通行性信息中是否存储有上述异常有向路段的历史通行性权值，来有选择性对上述异常有向路段的目标通行性权值进行存储，从而有利于节省存储资源。
本申请下述实施例部分，对上述判断每条有向路段是否属于通行量异常路段的可实现方式进行介绍。
图4为本申请另一实施例提供的道路通行性的确定方法的流程示意图。在上述实施例的基础上，本申请实施例中对上述判断每条有向路段是否属于通行量异常路段的一种可实现方式进行介绍。如图4所示，本申请实施例的方法还可以包括。
步骤S401、针对任意异常有向路段，将上述异常有向路段的第二车型轨迹特征输入通行量预测模型进行预测，得到上述异常有向路段在第一预设时长内的第一预测通行量。
本申请实施例中，电子设备中可以预置有通行量预测模型。示例性地，电子设备可以预先从其它设备处获取到训练好的通行量预测模型，或者电子设备可以在步骤S401之前根据多个训练样本对初始模型进行参数训练得到通行量预测模型。
一种可能的实现方式中，本申请实施例中涉及的任意异常有向路段的第二车型轨迹特征可以包括但不限于以下至少一项：
当前统计日期之前的第一预设数量(例如，14)天内的日期属性(例如，是否为工作日、是否为节假日，是否为周末等)和通行量信息、去年对应当前统计日期之前的第一预设数量(例如，14)天内的日期属性和通行量信息、去年对应当前统计日期之后的第一预设数量(例如，14)天内的日期属性和通行量信息、前年对应当前统计日期之前的第一预设数量(例如，14)天内的日期属性和通行量信息、前年对应当前统计日期之后的第一预设数量(例如，14)天内的日期属性和通行量信息。
对应地，本申请实施例中涉及的通行量预测模型可以为根据多个训练样本对初始深度学习模型等进行参数训练得到的。
应理解，训练上述通行量预测模型所采用的任意训练样本中可以包括：处于正常通行状态的有向路段对应的第二车行轨迹特征。
本实现方式中，针对任意异常有向路段，电子设备可以将上述异常有向路段的第二车型轨迹特征输入通行量预测模型进行预测，便可得到上述异常有向路段在第一预设时长(例如，当前统计日期)内的第一预测通行量。
另一种可能的实现方式中，本申请实施例中涉及的任意异常有向路段的第二车型轨迹特征可以包括但不限于：当前统计时刻之前的第二预设数量(例如，14)天内的每个预设时间切片(例如，15分钟)对应的通行量。
对应地，本申请实施例中涉及的通行量预测模型可以为根据多个训练样本对初始霍尔特-温特(Holt-Winters)模型或者差分整合移动自回归模型(AutoregressiveIntegrated Moving Average model,ARIMA)等进行参数训练得到的。
应理解，训练上述通行量预测模型所采用的任意训练样本中可以包括但不限于：处于正常通行状态的有向路段对应的第二车行轨迹特征。
本实现方式中，针对任意异常有向路段，电子设备可以将上述异常有向路段的第二车型轨迹特征输入通行量预测模型进行预测，便可得到上述异常有向路段在第一预设时长(例如，当前统计时刻之后的15分钟)内的第一预测通行量。
另一种可能的实现方式中，本申请实施例中涉及的任意异常有向路段的第二车型轨迹特征可以包括但不限于：第三子车行轨迹特征和第四子车行轨迹特征。
示例性地，第三子车行轨迹特征可以包括但不限于以下至少一项：
当前统计日期之前的第一预设数量(例如，14)天内的日期属性(例如，是否为工作日、是否为节假日，是否为周末等)和通行量信息、去年对应当前统计日期之前的第一预设数量(例如，14)天内的日期属性和通行量信息、去年对应当前统计日期之后的第一预设数量(例如，14)天内的日期属性和通行量信息、前年对应当前统计日期之前的第一预设数量(例如，14)天内的日期属性和通行量信息、前年对应当前统计日期之后的第一预设数量(例如，14)天内的日期属性和通行量信息。
示例性地，第四子车行轨迹特征可以包括但不限于：当前统计时刻之前的第二预设数量(例如，14)天内的每个预设时间切片(例如，15分钟)对应的通行量。
对应地，本申请实施例中涉及的通行量预测模型可以为包括但不限于：第一子通行量预测模型和第二子通行量预测模型。
其中，第一子通行量预测模型可以为根据多个训练样本对初始深度学习模型等进行参数训练得到的。应理解，训练上述第一子通行量预测模型所采用的任意训练样本中可以包括但不限于：处于正常通行状态的有向路段对应的第三子车行轨迹特征。
其中，第二子通行量预测模型可以为根据多个训练样本对初始Holt-Winters模型或者ARIMA模型等进行参数训练得到的。应理解，训练上述第二子通行量预测模型所采用的任意训练样本中可以包括但不限于：处于正常通行状态的有向路段对应的第四子车行轨迹特征。
本实现方式中，针对任意异常有向路段，电子设备可以将上述异常有向路段的第三子车行轨迹特征输入上述第一子通行量预测模型，便可得到上述异常有向路段在第二预设时长(例如，当前统计日期)内的第一预测通行量，以及将上述异常有向路段的第四子车行轨迹特征输入上述第二子通行量预测模型，便可得到上述异常有向路段在第三预设时长(例如，当前统计时刻之后的15分钟)内的第一预测通行量。
应理解，本实现方式中的第一预设时长可以包括但不限于：上述第二预设时长和上述第三预设时长。
步骤S402、根据上述异常有向路段在第一预设时长内的第一预测通行量判断上述异常有向路段是否属于通行量异常路段。
本步骤中，电子设备可以根据上述异常有向路段在第一预设时长内的第一预测通行量与对应的第一实际通行量进行对比，判断上述异常有向路段是否属于通行量异常路段。
一种可能的实现方式中，电子设备可以获取上述异常有向路段在第一预设时长(例如，当前统计日期，或者当前统计时刻之后的15分钟)内的第一实际通行量，然后根据上述异常有向路段在第一预设时长内的第一预测通行量和第一实际通行量，得到第一通行量因子。示例性地，第一通行量因子可以满足如下公式：
第一通行量因子＝(第一预测通行量+α)/(第一实际通行量+α)
例如，当第一预设时长为当前统计日期时，α可以为5；当第一预设时长为当前统计时刻之后的15分钟时，α可以为1。
当然，第一通行量因子还可以满足上述公式的其它等效或变形公式，本申请实施例中对此并不作限定。
当第一通行量因子小于预设通行量因子时，电子设备可以确定上述异常有向路段属于通行量异常路段，以便于对上述异常有向路段的目标通行性权值进行存储，从而有利于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线。
应理解，当第一通行量因子不小于预设通行量因子时，则电子设备可以确定上述异常有向路段不属于通行量异常路段。
另一种可能的实现方式中，电子设备可以获取上述异常有向路段在第二预设时长(例如，当前统计日期)内的第一实际通行量，以及上述异常有向路段在第三预设时长(例如，当前统计时刻之后的15分钟)内的第二实际通行量。其次，电子设备可以根据上述异常有向路段在第二预设时长内的第一预测通行量和第一实际通行量，得到第一通行量因子，以及根据上述异常有向路段在第三预设时长内的第一预测通行量和第二实际通行量，得到第二通行量因子。
示例性地，第一通行量因子可以满足如下公式：
第一通行量因子＝(上述异常有向路段在第二预设时长内的第一预测通行量+α)/(第一实际通行量+α)
例如，α可以为5。
当然，第一通行量因子还可以满足上述公式的其它等效或变形公式，本申请实施例中对此并不作限定。
示例性地，第二通行量因子可以满足如下公式：
第二通行量因子＝(上述异常有向路段在第三预设时长内的第一预测通行量+β)/(第二实际通行量+β)
例如，β可以为1。
当然，第二通行量因子还可以满足上述公式的其它等效或变形公式，本申请实施例中对此并不作限定。
然后，电子可以根据上述第一通行量因子和上述第二通行量因子，得到第三通行量因子。示例性地，电子设备可以将上述第二通行量因子与上述第一通行量因子的比值作为第三通行量因子；当然，根据上述第一通行量因子和上述第二通行量因子，还可以通过其它方式得到第三通行量因子，本申请实施例中对此并不作限定。
当第三通行量因子小于预设通行量因子(例如，1/3)时，电子设备可以确定上述异常有向路段属于通行量异常路段，以便于对上述异常有向路段的目标通行性权值进行存储，从而有利于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线。
应理解，当第三通行量因子不小于预设通行量因子(例如，1/3)时，电子设备可以确定上述异常有向路段不属于通行量异常路段。
综上所述，本申请实施例中，针对任意异常有向路段，通过根据上述异常有向路段在第一预设时长内的第一预测通行量，来判断上述异常有向路段是否属于通行量异常路段，以便于对属于通行量异常路段的各异常有向路段的目标通行性权值进行存储，而对于不属于通行量异常路段的各异常有向路段的目标通行性权值则不会进行存储，从而有利于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线，还可以节省存储资源。
图5为本申请另一实施例提供的道路通行性的确定方法的流程示意图。在上述实施例的基础上，本申请实施例中对上述判断每条异常有向路段是否属于通行量异常路段的另一种可实现方式进行介绍。如图5所示，本申请实施例的方法还可以包括。
步骤S501、针对任意异常有向路段，分别将上述异常有向路段的第二车型轨迹特征以及上述异常有向路段的至少一条参考有向路段的第二车型轨迹特征输入通行量预测模型进行预测，得到上述异常有向路段在第一预设时长内的第一预测通行量，以及每条上述参考有向路段在第一预设时长内的第二预测通行量。
本申请实施例中的任意异常有向路段的至少一条参考有向路段可以包括：道路路网中与上述异常有向路段属于同一个城市的不同道路上的各有向路段中与上述异常有向路段的道路属性(例如，道路等级、车道数、轨迹等)相似度最大的前n(例如，10)个有向路段。
一种可能的实现方式中，本申请实施例中涉及的任意有向路段(例如，异常有向路段，或者参考有向路段)的第二车型轨迹特征可以包括但不限于以下至少一项：
当前统计日期之前的第一预设数量(例如，14)天内的日期属性(例如，是否为工作日、是否为节假日，是否为周末等)和通行量信息、去年对应当前统计日期之前的第一预设数量(例如，14)天内的日期属性和通行量信息、去年对应当前统计日期之后的第一预设数量(例如，14)天内的日期属性和通行量信息、前年对应当前统计日期之前的第一预设数量(例如，14)天内的日期属性和通行量信息、前年对应当前统计日期之后的第一预设数量(例如，14)天内的日期属性和通行量信息。
本实现方式中，针对任意异常有向路段，电子设备可以分别将上述异常有向路段的第二车型轨迹特征以及上述异常有向路段的至少一条参考有向路段的第二车型轨迹特征输入通行量预测模型进行预测，便可得到上述异常有向路段在第一预设时长(例如，当前统计日期)内的第一预测通行量，以及每条上述参考有向路段在第一预设时长(例如，当前统计日期)内的第二预测通行量。
应理解，电子设备可以将上述异常有向路段的第二车型轨迹特征以及上述异常有向路段的至少一条参考有向路段的第二车型轨迹特征分开输入通行量预测模型进行预测，例如，电子设备可以先将上述异常有向路段的第二车型轨迹特征输入通行量预测模型进行预测，得到上述异常有向路段在第一预设时长(例如，当前统计日期)内的第一预测通行量，然后将上述异常有向路段的至少一条参考有向路段的第二车型轨迹特征输入通行量预测模型进行预测，得到每条上述参考有向路段在第一预设时长(例如，当前统计日期)内的第二预测通行量。
或者，电子设备可以将上述异常有向路段的第二车型轨迹特征以及上述异常有向路段的至少一条参考有向路段的第二车型轨迹特征一起输入通行量预测模型进行预测，便可得到上述异常有向路段在第一预设时长(例如，当前统计日期)内的第一预测通行量，以及每条上述参考有向路段在第一预设时长(例如，当前统计日期)内的第二预测通行量。
另一种可能的实现方式中，本申请实施例中涉及的任意有向路段(例如，异常有向路段，或者参考有向路段)的第二车型轨迹特征可以包括但不限于以下至少一项：当前统计时刻之前的第二预设数量(例如，14)天内的每个预设时间切片(例如，15分钟)对应的通行量。
本实现方式中，针对任意异常有向路段，电子设备可以分别将上述异常有向路段的第二车型轨迹特征以及上述异常有向路段的至少一条参考有向路段的第二车型轨迹特征输入通行量预测模型进行预测，便可得到上述异常有向路段在第一预设时长(例如，当前统计时刻之后的15分钟)内的第一预测通行量，以及每条上述参考有向路段在第一预设时长(例如，当前统计时刻之后的15分钟)内的第二预测通行量。
另一种可能的实现方式中，本申请实施例中涉及的任意有向路段的第二车型轨迹特征可以包括但不限于：第三子车行轨迹特征和第四子车行轨迹特征，每条参考有向路段的第二车型轨迹特征可以包括但不限于：第五子车行轨迹特征和第六子车行轨迹特征。
示例性地，第三子车行轨迹特征，和/或，第五子车行轨迹特征可以包括但不限于以下至少一项：
当前统计日期之前的第一预设数量(例如，14)天内的日期属性(例如，是否为工作日、是否为节假日，是否为周末等)和通行量信息、去年对应当前统计日期之前的第一预设数量(例如，14)天内的日期属性和通行量信息、去年对应当前统计日期之后的第一预设数量(例如，14)天内的日期属性和通行量信息、前年对应当前统计日期之前的第一预设数量(例如，14)天内的日期属性和通行量信息、前年对应当前统计日期之后的第一预设数量(例如，14)天内的日期属性和通行量信息。
示例性地，第四子车行轨迹特征，和/或，第六子车行轨迹特征可以包括但不限于：当前统计时刻之前的第二预设数量(例如，14)天内的每个预设时间切片(例如，15分钟)对应的通行量。
对应地，本申请实施例中涉及的通行量预测模型可以包括但不限于：第一子通行量预测模型和第二子通行量预测模型。
本实现方式中，针对任意异常有向路段，电子设备可以分别将上述异常有向路段的第三子车行轨迹特征以及每条上述参考有向路段的第五子车行轨迹特征输入第一子通行量预测模型，便可得到上述异常有向路段在第二预设时(例如，当前统计日期)长内的第一预测通行量，以及每条上述参考有向路段在二预设时长(例如，当前统计日期)内的第二预测通行量。
另外，电子设备可以分别将上述异常有向路段的第四子车行轨迹特征以及每条上述参考有向路段的第六子车行轨迹特征输入第二子通行量预测模型，便可得到上述异常有向路段在第三预设时长(例如，当前统计时刻之后的15分钟)内的第一预测通行量，以及每条上述参考有向路段在第三预设时长(例如，当前统计时刻之后的15分钟)内的第二预测通行量。
应理解，本实现方式中的第一预设时长可以包括但不限于：上述第二预设时长和上述第三预设时长。
步骤S502、根据上述异常有向路段在第一预设时长内的第一预测通行量，以及每条上述参考有向路段在第一预设时长内的第二预测通行量，判断上述异常有向路段是否属于通行量异常路段。
本步骤中，电子设备可以根据上述异常有向路段在第一预设时长内的第一预测通行量与对应的第一实际通行量进行对比，以及每条上述参考有向路段在第一预设时长内的第二预测通行量与对应的第二实际通行量进行对比，然后判断上述异常有向路段是否属于通行量异常路段。
一种可能的实现方式中，电子设备可以获取上述异常有向路段在第一预设时长(例如，当前统计日期，或者当前统计时刻之后的15分钟)内的第一实际通行量以及每条上述参考有向路段在第一预设时长(例如，当前统计日期，或者当前统计时刻之后的15分钟)内的第二实际通行量。
然后，电子设备可以根据上述异常有向路段在第一预设时长内的第一预测通行量和第一实际通行量，得到第一通行量因子，以及分别根据每条参考有向路段在第一预设时长内的第二预测通行量和对应的第二实际通行量，得到每条参考有向路段的第二通行量因子。
示例性地，第一通行量因子可以满足如下公式：
第一通行量因子＝(第一预测通行量+α)/(第一实际通行量+α)
例如，当第一预设时长为当前统计日期时，α可以为5；当第一预设时长为当前统计时刻之后的15分钟时，α可以为1。
当然，第一通行量因子还可以满足上述公式的其它等效或变形公式，本申请实施例中对此并不作限定。
需要说明的是，第二通行量因子的确定方式，可以参考第一通行量因子的确定方式，本申请实施例中对此不再赘述。
当上述第一通行量因子小于预设通行量因子，且至少一条参考有向路段的第二通行量因子小于预设通行量因子时，电子设备可以确定上述异常有向路段属于通行量异常路段，以便于对上述异常有向路段的目标通行性权值进行存储，从而有利于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线。
应理解，当第一通行量因子不小于预设通行量因子，或者上述第一通行量因子小于预设通行量因子，且占比δ(δ可以为超参数，可以根据实际效果调优，其默认值可以取0.8)参考有向路段的第二通行量因子均不小于预设通行量因子时，则电子设备可以确定上述异常有向路段不属于通行量异常路段。
另一种可能的实现方式中，电子设备可以获取上述异常有向路段在第二预设时长(例如，当前统计日期)内的第一实际通行量、上述异常有向路段在第三预设时长(例如，当前统计时刻之后的15分钟)内的第二实际通行量、每条上述参考有向路段在第二预设时长(例如，当前统计日期)内的第三实际通行量，以及每条参考有向路段在第三预设时长(例如，当前统计时刻之后的15分钟)内的第四实际通行量。
其次，一方面，电子设备可以根据上述异常有向路段在第二预设时长内的第一预测通行量和第一实际通行量，得到第一通行量因子，以及根据上述异常有向路段在第三预设时长内的第一预测通行量和第二实际通行量，得到第二通行量因子。另一方面，电子设备可以分别根据每条参考有向路段在第二预设时长内的第二预测通行量和第三实际通行量，得到每条参考有向路段的第三通行量因子，以及分别根据每条参考有向路段在第三预设时长内的第二预测通行量和第四实际通行量，得到每条参考有向路段的第四通行量因子。
示例性地，第一通行量因子可以满足如下公式：
第一通行量因子＝(上述异常有向路段在第二预设时长内的第一预测通行量+α)/(第一实际通行量+α)
例如，α可以为5。
当然，第一通行量因子还可以满足上述公式的其它等效或变形公式，本申请实施例中对此并不作限定。
示例性地，第二通行量因子可以满足如下公式：
第二通行量因子＝(上述异常有向路段在第三预设时长内的第一预测通行量+β)/(第二实际通行量+β)
例如，β可以为1。
当然，第二通行量因子还可以满足上述公式的其它等效或变形公式，本申请实施例中对此并不作限定。
需要说明的是，第三通行量因子的确定方式，可以参考第一通行量因子的确定方式，本申请实施例中对此不再赘述；第四通行量因子的确定方式，可以参考第二通行量因子的确定方式，本申请实施例中对此不再赘述。
然后，电子设备可以根据第一通行量因子和第二通行量因子，得到第五通行量因子，以及分别根据每条参考有向路段的第三通行量因子和第四通行量因子，得到每条参考有向路段的第六通行量因子。
示例性地，电子设备可以将第一通行量因子和第二通行量因子中的最小值作为第五通行量因子；当然，根据上述第一通行量因子和上述第二通行量因子，还可以通过其它方式得到第五通行量因子，本申请实施例中对此并不作限定。
需要说明的是，第六通行量因子的确定方式，可以参考第五通行量因子的确定方式，本申请实施例中对此不再赘述。
当第五通行量因子小于预设通行量因子，且至少一条参考有向路段的第六通行量因子小于预设通行量因子时，电子设备可以确定上述异常有向路段属于通行量异常路段，以便于对上述异常有向路段的目标通行性权值进行存储，从而有利于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线。
应理解，当第五通行量因子不小于预设通行量因子，或者第五通行量因子小于预设通行量因子，且占比δ(δ可以为超参数，可以根据实际效果调优，其默认值可以取0.8)的参考有向路段的第六通行量因子不小于预设通行量因子时，电子设备可以确定上述异常有向路段不属于通行量异常路段。
综上所述，本申请实施例中，针对任意异常有向路段，通过结合上述异常有向路段在第一预设时长内的第一预测通行量，以及上述异常有向路段的至少一条参考有向路段在第一预设时长内的第二预测通行量，来判断上述异常有向路段是否属于通行量异常路段，以便于对属于通行量异常路段的各异常有向路段的目标通行性权值进行存储，而对于不属于通行量异常路段的各异常有向路段的目标通行性权值则不会进行存储，从而有利于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线，还可以节省存储资源。
图6为本申请另一实施例提供的道路通行性的确定方法的流程示意图。在上述实施例的基础上，本申请实施例中对道路通行性的确定方法的整体流程进行介绍。如图6所示，本申请实施例的方法可以包括：
1)确定有向路段的基础轨迹信息
本步骤中，电子设备可以接收终端(例如，车载终端设备或者导航客户端等)发送的轨迹信息，并对接收到的各轨迹信息依次进行轨迹分类(用于剔除非车行轨迹信息)、路网匹配(用于匹配有向路段信息)以及轨迹置信度评价(用于过滤漂移比较严重的车行轨迹信息)，然后对各有向路段进行轨迹画像处理，便可确定各有向路段的基础轨迹信息。
示例性地，基础轨迹信息可以包括但不限于以下至少一项：通行量(或者穿行量)、掉头量、偏航量、掉头占比、偏航占比。
2)确定异常有向路段
可选地，电子设备可以根据道路路网中的每条有向路段的基础轨迹信息与预设异常条件(用于指示异常有向路段对应的轨迹信息)进行对比，便可以确定出满足预设异常条件(是指满足预设异常条件中的至少一项信息)的各异常有向路段，从而不仅有利于节省计算资源，还有利于提高道路通行性的确定效率。
示例性地，本申请实施例中涉及的预设异常条件可以用于指示以下至少一项：通行量小于预设通行量、掉头占比大于第一预设占比、偏航占比大于第二预设占比。当然，预设异常条件还可以用于指示其它信息，本申请实施例中对此并不作限定。
3)确定异常有向路段的目标通行性权值
本步骤中，电子设备可以将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，便可得到每条异常有向路段的目标通行性权值。
一种可能的实现方式中，通行性预测模型可以包括：第一通行性预测子模型；对应地，第一车行轨迹特征可以包括：第一子车行轨迹特征。
另一种可能的实现方式中，通行性预测模型可以包括：第二通行性预测子模型；对应地，第一车行轨迹特征可以包括：第二子车行轨迹特征。
另一种可能的实现方式中，通行性预测模型可以包括：第一通行性预测子模型、第二通行性预测子模型和通行性预测融合模型；对应地，第一车行轨迹特征可以包括：第一子车行轨迹特征和第二子车行轨迹特征。
4)通行量异常路段的判断
本步骤中，针对任意异常有向路段，电子设备可以通过将上述异常有向路段和/或上述异常有向路段的参考有向路段的第二车型轨迹特征输入通行量预测模型进行预测，来判断上述异常有向路段是否属于通行量异常路段。
5)判重
在确定任意异常有向路段属于通行量异常路段时，电子设备可以根据历史用户路段反馈信息中是否存储有上述异常有向路段的历史反馈信息，和/或，历史路段通行性信息中是否存储有上述异常有向路段的历史通行性权值，来对上述异常有向路段的目标通行性权值进行存储。
6)路线规划
本步骤中，在为任意终端导航时，电子设备可以根据上述终端对应的起始地信息、目的地信息、上述终端对应的用户属性信息、上述历史用户路段反馈信息，和/或，上述历史路段通行性信息，来确定上述终端的至少一条规划路线，然后将上述终端的至少一条规划路线发送给上述终端，以便于上述终端显示上述至少一条规划路线。
示例性地，本申请实施例中涉及的用户属性信息可以包括但不限于以下至少一项：用户性别、车辆类型、路线偏好信息。
本申请实施例中涉及的历史用户路段反馈信息可以包括但不限于：历史用户反馈的至少一条有向路段的路段信息(例如，路况正常从而车流畅通，或者路况非正常导致车流不畅通)。
本申请实施例中涉及的历史路段通行性信息可以包括但不限于：至少一条通行量异常路段的历史通行性权值(或者称之为目标通行性权值)。
一种可能的实现方式中，针对任意有向路段，若历史用户路段反馈信息中未存储有上述有向路段的历史反馈信息，以及历史路段通行性信息中未存储有上述有向路段的历史通行性权值，则电子设备可以认为上述有向路段的路况正常，从而在根据上述终端对应的起始地信息、目的地信息以及上述终端对应的用户属性信息为上述终端规划路线时会考虑上述有向路段。
另一种可能的实现方式中，针对任意有向路段，若历史用户路段反馈信息中存储有上述有向路段的历史反馈信息，历史路段通行性信息中未存储有上述有向路段的历史通行性权值，当上述有向路段的历史反馈信息用于指示上述有向路段的路况为封闭状态时，电子设备在根据上述终端对应的起始地信息、目的地信息以及上述终端对应的用户属性信息为上述终端规划路线时不会考虑上述有向路段；当上述有向路段的历史反馈信息用于指示上述有向路段的路况正常或者非正常从而不畅通时，电子设备在根据上述终端对应的起始地信息、目的地信息以及上述终端对应的用户属性信息为上述终端规划路线时会考虑上述有向路段。
另一种可能的实现方式中，针对任意有向路段，若历史用户路段反馈信息中未存储有上述有向路段的历史反馈信息，历史路段通行性信息中存储有上述有向路段的历史通行性权值，则电子设备可以认为上述有向路段为疑似阻断路段，从而在根据上述终端对应的起始地信息、目的地信息以及上述终端对应的用户属性信息为上述终端规划路线时仍然会考虑上述有向路段。
另一种可能的实现方式中，针对任意有向路段，若历史用户路段反馈信息中存储有上述有向路段的历史反馈信息，历史路段通行性信息中存储有上述有向路段的历史通行性权值，上述有向路段的历史反馈信息的存储时间晚于上述有向路段的历史通行性权值的存储时间，当上述有向路段的历史反馈信息用于指示上述有向路段的路况为封闭状态时，电子设备在根据上述终端对应的起始地信息、目的地信息以及上述终端对应的用户属性信息为上述终端规划路线时不会考虑上述有向路段；当上述有向路段的历史反馈信息用于指示上述有向路段的路况正常或者非正常从而不畅通时，电子设备在根据上述终端对应的起始地信息、目的地信息以及上述终端对应的用户属性信息为上述终端规划路线时会考虑上述有向路段。
另一种可能的实现方式中，针对任意有向路段，若历史用户路段反馈信息中存储有上述有向路段的历史反馈信息，历史路段通行性信息中存储有上述有向路段的历史通行性权值，上述有向路段的历史通行性权值的存储时间晚于上述有向路段的历史反馈信息的存储时间，则电子设备可以认为上述有向路段为疑似阻断路段，从而在根据上述终端对应的起始地信息、目的地信息以及上述终端对应的用户属性信息为上述终端规划路线时仍然会考虑上述有向路段。
进一步地，若任意疑似阻断路段作为待规划路线，电子设备在根据上述终端对应的起始地信息、目的地信息以及上述终端对应的用户属性信息为上述终端规划路线的基础上，会考虑上述历史路段通行性信息中存储的关于上述疑似阻断路段的历史通行性权值(可以用于指示介于开通状态与非开通状态之间的通行性状态，也包括开通状态和非开通状态)进行规划路线，从而可以为终端规划更加合理的导航路线。
例如，当用户习惯走短距离路线，结合历史通行性权值获知虽然道路存在坑洼但是可以通行，从而可以继续为用户推荐此路线。当用户的车型对应的底盘低时，则需要规避此类道路的推荐。
又例如，若用户路线为10公里，其中有一段100米的路段不好走，此时若存在10.2公里的路线，则可以给用户提供此路线。但若用户路线一共500米，其中有一段100米的路段不好走，此时则无需规避该路段，从而可以避免一些不必要的绕路。
示例性地，电子设备可以根据上述疑似阻断路段的历史通行性权值所属的通行性权值范围，确定预设映射信息中关于上述通行性权值范围所对应的惩罚时间，从而根据惩罚时间对规划路线进行排序。其中，预设映射信息中可以包括：多个相邻的通行性权值范围，以及每个通行性权值范围对应的惩罚时间。例如，通行性权值范围[0.7，0.8)对应的惩罚时间为a，通行性权值范围[0.8，0.9)对应的惩罚时间为b，其中，a小于b。
应理解，电子设备可以根据上述疑似阻断路段的历史通行性权值所属的通行性权值范围对应的惩罚时间进行排序，也可以根据上述疑似阻断路段的历史通行性权值所属的通行性权值范围对应的惩罚距离进行排序；当然，还可以根据其它方式进行排序，本申请实施例中对此并不作限定。
进一步地，电子设备还可以根据用户反馈信息实时地更新上述通行性预测模型，或者，可以每隔预设时长更新上述通行性预测模型，或者也可以在接收到更新指令时更新上述通行性预测模型，从而有利于提高异常有向路段的目标通行性权值的准确性。
示例性地，本申请实施例中涉及的用户反馈信息可以包括但不限于：各用户反馈的至少一条有向路段的路段信息(例如，路况是否正常，车流是否畅通等)，和/或，各用户反馈的至少一条规划路线的路线信息(例如，路线是否正常，车流是否畅通等)。
应理解，电子设备还可以根据用户反馈信息实时地更新上述历史路段通行性信息，或者，可以每隔预设时长更新上述历史路段通行性信息，或者也可以在接收到更新指令时更新上述历史路段通行性信息。
图7为本申请实施例提供的通行性预测模型更新的示意图。在上述实施例的基础上，如图7所示，电子设备为终端导航规划过程中，可以与终端对应用户进行互动，从而可以根据用户反馈信息对上述通行性预测模型和历史路段通行性信息进行更新。例如，电子设备为终端开始导航之前，可以采集终端对应用户输入的规划提示信息，从而结合规划提示信息进行路线规划。又例如，电子设备为终端导航过程中，可以采集终端对应用户输入的路段信息。又例如，电子设备为终端导航结束后，可以采集终端对应用户输入的规划路线的路线信息。
图8为本申请实施例提供的道路通行性的确定装置的结构示意图，如图8所示，本申请实施例提供的道路通行性的确定装置可以包括：第一确定模块801和预测模块802。
其中，第一确定模块801，用于确定道路路网中的至少一条异常有向路段；
预测模块802，用于将每条所述异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，得到每条所述异常有向路段的目标通行性权值；其中，所述目标通行性权值大于等于第一预设数值且小于等于第二预设数值，所述第一预设数值用于指示路段为开通状态，所述第二预设数值用于指示路段为非开通状态。
在一种可能的实现方式中，若所述第一车行轨迹特征包括：第一子车行轨迹特征和第二子车行轨迹特征，所述通行性预测模型包括：第一通行性预测子模型、第二通行性预测子模型和通行性预测融合模型，则所述预测模块具体用于：
将每条所述异常有向路段的第一子车行轨迹特征输入所述第一通行性预测子模型，得到每条所述异常有向路段的第一通行性权值；
将每条所述异常有向路段的第二子车行轨迹特征输入所述第二通行性预测子模型，得到每条所述异常有向路段的第二通行性权值；
将每条所述异常有向路段的第一通行性权值和第二通行性权值，输入所述通行性预测融合模型，得到每条所述异常有向路段的目标通行性权值。
在一种可能的实现方式中，所述第一确定模块具体用于：
根据所述道路路网中的每条有向路段的基础轨迹信息，确定所述至少一条异常有向路段。
在一种可能的实现方式中，所述装置还包括：
判断模块，用于判断每条所述异常有向路段是否属于通行量异常路段；
存储模块，用于对属于通行量异常路段的各异常有向路段的目标通行性权值进行存储。
在一种可能的实现方式中，所述判断模块，包括：
预测单元，用于针对任意所述异常有向路段，将所述异常有向路段的第二车型轨迹特征输入通行量预测模型进行预测，得到所述异常有向路段在第一预设时长内的第一预测通行量；
判断单元，用于根据所述异常有向路段在第一预设时长内的第一预测通行量判断所述异常有向路段是否属于通行量异常路段。
在一种可能的实现方式中，所述判断单元具体用于：
获取所述异常有向路段在第一预设时长内的第一实际通行量；
根据所述异常有向路段在第一预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
当所述第一通行量因子小于预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
在一种可能的实现方式中，若所述第二车行轨迹特征包括：第三子车行轨迹特征和第四子车行轨迹特征，所述通行量预测模型包括：第一子通行量预测模型和第二子通行量预测模型，所述第一预设时长包括：第二预设时长和第三预设时长，则所述预测单元具体用于：
将所述异常有向路段的第三子车行轨迹特征输入所述第一子通行量预测模型，得到所述异常有向路段在第二预设时长内的第一预测通行量；
将所述异常有向路段的第四子车行轨迹特征输入所述第二子通行量预测模型，得到所述异常有向路段在第三预设时长内的第一预测通行量；
对应地，所述判断单元具体用于：
获取所述异常有向路段在第二预设时长内的第一实际通行量，以及所述异常有向路段在第三预设时长内的第二实际通行量；
根据所述异常有向路段在第二预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
根据所述异常有向路段在第三预设时长内的所述第一预测通行量和所述第二实际通行量，得到第二通行量因子；
根据所述第一通行量因子和所述第二通行量因子，得到第三通行量因子；
当所述第三通行量因子小于预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
在一种可能的实现方式中，所述判断模块，包括：
预测单元，用于针对任意所述异常有向路段，分别将所述异常有向路段的第二车型轨迹特征以及所述异常有向路段的至少一条参考有向路段的第二车型轨迹特征输入所述通行量预测模型进行预测，得到所述异常有向路段在第一预设时长内的第一预测通行量，以及每条所述参考有向路段在第一预设时长内的第二预测通行量；
判断单元，用于根据所述异常有向路段在第一预设时长内的第一预测通行量，以及每条所述参考有向路段在第一预设时长内的第二预测通行量，判断所述异常有向路段是否属于通行量异常路段。
在一种可能的实现方式中，所述判断单元具体用于：
获取所述异常有向路段在第一预设时长内的第一实际通行量以及每条所述参考有向路段在第一预设时长内的第二实际通行量；
根据所述异常有向路段在第一预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
分别根据每条所述参考有向路段在第一预设时长内的所述第二预测通行量和所述第二实际通行量，得到每条所述参考有向路段的第二通行量因子；
当所述第一通行量因子小于预设通行量因子，且至少一条所述参考有向路段的第二通行量因子小于所述预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
在一种可能的实现方式中，若所述异常有向路段的第二车行轨迹特征包括：第三子车行轨迹特征和第四子车行轨迹特征，每条参考有向路段的第二车型轨迹特征包括：第五子车行轨迹特征和第六子车行轨迹特征，所述通行量预测模型包括：第一子通行量预测模型和第二子通行量预测模型，所述第一预设时长包括：第二预设时长和第三预设时长，则所述预测单元具体用于：
分别将所述异常有向路段的第三子车行轨迹特征以及每条所述参考有向路段的第五子车行轨迹特征输入所述第一子通行量预测模型，得到所述异常有向路段在第二预设时长内的第一预测通行量，以及每条所述参考有向路段在二预设时长内的第二预测通行量；
分别将所述异常有向路段的第四子车行轨迹特征以及每条所述参考有向路段的第六子车行轨迹特征输入所述第二子通行量预测模型，得到所述异常有向路段在第三预设时长内的第一预测通行量，以及每条所述参考有向路段在第三预设时长内的第二预测通行量；
对应地，所述判断单元具体用于：
获取所述异常有向路段在第二预设时长内的第一实际通行量、所述异常有向路段在第三预设时长内的第二实际通行量、每条所述参考有向路段在第二预设时长内的第三实际通行量，以及每条所述参考有向路段在第三预设时长内的第四实际通行量；
根据所述异常有向路段在第二预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
根据所述异常有向路段在第三预设时长内的所述第一预测通行量和所述第二实际通行量，得到第二通行量因子；
分别根据每条所述参考有向路段在第二预设时长内的所述第二预测通行量和所述第三实际通行量，得到每条所述参考有向路段的第三通行量因子；
分别根据每条所述参考有向路段在第三预设时长内的所述第二预测通行量和所述第四实际通行量，得到每条所述参考有向路段的第四通行量因子；
根据所述第一通行量因子和所述第二通行量因子，得到第五通行量因子；
分别根据每条所述参考有向路段的第三通行量因子和第四通行量因子，得到每条所述参考有向路段的第六通行量因子；
当所述第五通行量因子小于预设通行量因子，且至少一条所述参考有向路段的第六通行量因子小于所述预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
在一种可能的实现方式中，所述存储模块具体用于：
针对属于通行量异常路段的任意所述异常有向路段，根据历史用户路段反馈信息中是否存储有所述异常有向路段的历史反馈信息，和/或，历史路段通行性信息中是否存储有所述异常有向路段的历史通行性权值，对所述异常有向路段的目标通行性权值进行存储；
其中，所述历史用户路段反馈信息包括：历史用户反馈的至少一条有向路段的路段信息，所述历史路段通行性信息包括：至少一条通行量异常路段的历史通行性权值。
在一种可能的实现方式中，所述装置还包括：
第二确定模块，用于在为任意终端导航时，根据所述终端对应的起始地信息、目的地信息、所述终端对应的用户属性信息、所述历史用户路段反馈信息，和/或，所述历史路段通行性信息，确定所述终端的至少一条规划路线；
发送模块，用于将所述终端的至少一条规划路线发送给所述终端。
在一种可能的实现方式中，所述装置还包括：
更新模块，用于根据用户反馈信息更新所述通行性预测模型；其中，所述用户反馈信息包括：各用户反馈的至少一条有向路段的路段信息，和/或，各用户反馈的至少一条规划路线的路线信息。
本实施例提供的道路通行性的确定装置，用于执行本申请上述道路通行性的确定方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图9所示，是根据本申请实施例的道路通行性的确定方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示，该电子设备包括：一个或多个处理器901、存储器902，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的道路通行性的确定方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的道路通行性的确定方法。
存储器902作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的道路通行性的确定方法对应的程序指令/模块(例如，附图8所示的第一确定模块801和预测模块802)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中的道路通行性的确定方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述电子设备还可以包括：输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接，图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过确定出道路路网中的至少一条异常有向路段，然后将每条异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，便可得到每条异常有向路段的目标通行性权值；其中，目标通行性权值大于等于第一预设数值(用于指示路段为开通状态)且小于等于第二预设数值(用于指示路段为非开通状态)，即本申请实施例中确定的任意有向路段的目标通行性权值可以用于指示介于开通状态与非开通状态之间的通行性状态(也包括开通状态和非开通状态)，以便于在导航过程中可以结合道路路网中各有向路段的目标通行性权值为终端规划更加合理的导航路线，从而提高了用户导航体验。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (26)

1.一种道路通行性的确定方法，包括：
确定道路路网中的至少一条异常有向路段；
将每条所述异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，得到每条所述异常有向路段的目标通行性权值；其中，所述目标通行性权值大于等于第一预设数值且小于等于第二预设数值，所述第一预设数值用于指示路段为开通状态，所述第二预设数值用于指示路段为非开通状态；
判断每条所述异常有向路段是否属于通行量异常路段；
对属于通行量异常路段的各异常有向路段的目标通行性权值进行存储。
2.根据权利要求1所述的方法，其中，若所述第一车行轨迹特征包括：第一子车行轨迹特征和第二子车行轨迹特征，所述通行性预测模型包括：第一通行性预测子模型、第二通行性预测子模型和通行性预测融合模型，则所述将每条所述异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，得到每条所述异常有向路段的目标通行性权值，包括：
将每条所述异常有向路段的第一子车行轨迹特征输入所述第一通行性预测子模型，得到每条所述异常有向路段的第一通行性权值；
将每条所述异常有向路段的第二子车行轨迹特征输入所述第二通行性预测子模型，得到每条所述异常有向路段的第二通行性权值；
将每条所述异常有向路段的第一通行性权值和第二通行性权值，输入所述通行性预测融合模型，得到每条所述异常有向路段的目标通行性权值。
3.根据权利要求1所述的方法，其中，所述确定道路路网中的至少一条异常有向路段，包括：
根据所述道路路网中的每条有向路段的基础轨迹信息，确定所述至少一条异常有向路段。
4.根据权利要求1-3任一项所述的方法，其中，所述判断每条所述异常有向路段是否属于通行量异常路段，包括：
针对任意所述异常有向路段，将所述异常有向路段的第二车行轨迹特征输入通行量预测模型进行预测，得到所述异常有向路段在第一预设时长内的第一预测通行量；
根据所述异常有向路段在第一预设时长内的第一预测通行量判断所述异常有向路段是否属于通行量异常路段。
5.根据权利要求4所述的方法，其中，所述根据所述异常有向路段在第一预设时长内的第一预测通行量判断所述异常有向路段是否属于通行量异常路段，包括：
获取所述异常有向路段在第一预设时长内的第一实际通行量；
根据所述异常有向路段在第一预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
当所述第一通行量因子小于预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
6.根据权利要求4所述的方法，其中，若所述第二车行轨迹特征包括：第三子车行轨迹特征和第四子车行轨迹特征，所述通行量预测模型包括：第一子通行量预测模型和第二子通行量预测模型，所述第一预设时长包括：第二预设时长和第三预设时长，则将所述异常有向路段的第二车行轨迹特征输入通行量预测模型进行预测，得到所述异常有向路段在第一预设时长内的第一预测通行量，包括：
将所述异常有向路段的第三子车行轨迹特征输入所述第一子通行量预测模型，得到所述异常有向路段在第二预设时长内的第一预测通行量；
将所述异常有向路段的第四子车行轨迹特征输入所述第二子通行量预测模型，得到所述异常有向路段在第三预设时长内的第一预测通行量；
对应地，所述根据所述异常有向路段在第一预设时长内的第一预测通行量判断所述异常有向路段是否属于通行量异常路段，包括：
获取所述异常有向路段在第二预设时长内的第一实际通行量，以及所述异常有向路段在第三预设时长内的第二实际通行量；
根据所述异常有向路段在第二预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
根据所述异常有向路段在第三预设时长内的所述第一预测通行量和所述第二实际通行量，得到第二通行量因子；
根据所述第一通行量因子和所述第二通行量因子，得到第三通行量因子；
当所述第三通行量因子小于预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
7.根据权利要求1-3任一项所述的方法，其中，所述判断每条所述异常有向路段是否属于通行量异常路段，包括：
针对任意所述异常有向路段，分别将所述异常有向路段的第二车行轨迹特征以及所述异常有向路段的至少一条参考有向路段的第二车行轨迹特征输入所述通行量预测模型进行预测，得到所述异常有向路段在第一预设时长内的第一预测通行量，以及每条所述参考有向路段在第一预设时长内的第二预测通行量；
根据所述异常有向路段在第一预设时长内的第一预测通行量，以及每条所述参考有向路段在第一预设时长内的第二预测通行量，判断所述异常有向路段是否属于通行量异常路段。
8.根据权利要求7所述的方法，其中，所述根据所述异常有向路段在第一预设时长内的第一预测通行量，以及每条所述参考有向路段在第一预设时长内的第二预测通行量，判断所述异常有向路段是否属于通行量异常路段，包括：
获取所述异常有向路段在第一预设时长内的第一实际通行量以及每条所述参考有向路段在第一预设时长内的第二实际通行量；
根据所述异常有向路段在第一预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
分别根据每条所述参考有向路段在第一预设时长内的所述第二预测通行量和所述第二实际通行量，得到每条所述参考有向路段的第二通行量因子；
当所述第一通行量因子小于预设通行量因子，且至少一条所述参考有向路段的第二通行量因子小于所述预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
9.根据权利要求7所述的方法，其中，若所述异常有向路段的第二车行轨迹特征包括：第三子车行轨迹特征和第四子车行轨迹特征，每条参考有向路段的第二车行轨迹特征包括：第五子车行轨迹特征和第六子车行轨迹特征，所述通行量预测模型包括：第一子通行量预测模型和第二子通行量预测模型，所述第一预设时长包括：第二预设时长和第三预设时长，则分别将所述异常有向路段的第二车行轨迹特征以及所述异常有向路段的至少一条参考有向路段的第二车行轨迹特征输入所述通行量预测模型进行预测，得到所述异常有向路段在第一预设时长内的第一预测通行量，以及每条所述参考有向路段在第一预设时长内的第二预测通行量，包括：
分别将所述异常有向路段的第三子车行轨迹特征以及每条所述参考有向路段的第五子车行轨迹特征输入所述第一子通行量预测模型，得到所述异常有向路段在第二预设时长内的第一预测通行量，以及每条所述参考有向路段在二预设时长内的第二预测通行量；
分别将所述异常有向路段的第四子车行轨迹特征以及每条所述参考有向路段的第六子车行轨迹特征输入所述第二子通行量预测模型，得到所述异常有向路段在第三预设时长内的第一预测通行量，以及每条所述参考有向路段在第三预设时长内的第二预测通行量；
对应地，所述根据所述异常有向路段在第一预设时长内的第一预测通行量，以及每条所述参考有向路段在第一预设时长内的第二预测通行量，判断所述异常有向路段是否属于通行量异常路段，包括：
获取所述异常有向路段在第二预设时长内的第一实际通行量、所述异常有向路段在第三预设时长内的第二实际通行量、每条所述参考有向路段在第二预设时长内的第三实际通行量，以及每条所述参考有向路段在第三预设时长内的第四实际通行量；
根据所述异常有向路段在第二预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
根据所述异常有向路段在第三预设时长内的所述第一预测通行量和所述第二实际通行量，得到第二通行量因子；
分别根据每条所述参考有向路段在第二预设时长内的所述第二预测通行量和所述第三实际通行量，得到每条所述参考有向路段的第三通行量因子；
分别根据每条所述参考有向路段在第三预设时长内的所述第二预测通行量和所述第四实际通行量，得到每条所述参考有向路段的第四通行量因子；
根据所述第一通行量因子和所述第二通行量因子，得到第五通行量因子；
分别根据每条所述参考有向路段的第三通行量因子和第四通行量因子，得到每条所述参考有向路段的第六通行量因子；
当所述第五通行量因子小于预设通行量因子，且至少一条所述参考有向路段的第六通行量因子小于所述预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
10.根据权利要求1-3任一项所述的方法，其中，所述对属于通行量异常路段的各异常有向路段的目标通行性权值进行存储，包括：
针对属于通行量异常路段的任意所述异常有向路段，根据历史用户路段反馈信息中是否存储有所述异常有向路段的历史反馈信息，和/或，历史路段通行性信息中是否存储有所述异常有向路段的历史通行性权值，对所述异常有向路段的目标通行性权值进行存储；
其中，所述历史用户路段反馈信息包括：历史用户反馈的至少一条有向路段的路段信息，所述历史路段通行性信息包括：至少一条通行量异常路段的历史通行性权值。
11.根据权利要求10所述的方法，其中，所述方法还包括：
在为任意终端导航时，根据所述终端对应的起始地信息、目的地信息、所述终端对应的用户属性信息、所述历史用户路段反馈信息，和/或，所述历史路段通行性信息，确定所述终端的至少一条规划路线；
将所述终端的至少一条规划路线发送给所述终端。
12.根据权利要求1-3中任一项所述的方法，其中，所述方法还包括：
根据用户反馈信息更新所述通行性预测模型；其中，所述用户反馈信息包括：各用户反馈的至少一条有向路段的路段信息，和/或，各用户反馈的至少一条规划路线的路线信息。
13.一种道路通行性的确定装置，包括：
第一确定模块，用于确定道路路网中的至少一条异常有向路段；
预测模块，用于将每条所述异常有向路段的第一车行轨迹特征输入通行性预测模型进行预测，得到每条所述异常有向路段的目标通行性权值；其中，所述目标通行性权值大于等于第一预设数值且小于等于第二预设数值，所述第一预设数值用于指示路段为开通状态，所述第二预设数值用于指示路段为非开通状态；
判断模块，用于判断每条所述异常有向路段是否属于通行量异常路段；
存储模块，用于对属于通行量异常路段的各异常有向路段的目标通行性权值进行存储。
14.根据权利要求13所述的装置，其中，若所述第一车行轨迹特征包括：第一子车行轨迹特征和第二子车行轨迹特征，所述通行性预测模型包括：第一通行性预测子模型、第二通行性预测子模型和通行性预测融合模型，则所述预测模块具体用于：
将每条所述异常有向路段的第一子车行轨迹特征输入所述第一通行性预测子模型，得到每条所述异常有向路段的第一通行性权值；
将每条所述异常有向路段的第二子车行轨迹特征输入所述第二通行性预测子模型，得到每条所述异常有向路段的第二通行性权值；
将每条所述异常有向路段的第一通行性权值和第二通行性权值，输入所述通行性预测融合模型，得到每条所述异常有向路段的目标通行性权值。
15.根据权利要求13所述的装置，其中，所述第一确定模块具体用于：
根据所述道路路网中的每条有向路段的基础轨迹信息，确定所述至少一条异常有向路段。
16.根据权利要求13-15任一项所述的装置，其中，所述判断模块，包括：
预测单元，用于针对任意所述异常有向路段，将所述异常有向路段的第二车行轨迹特征输入通行量预测模型进行预测，得到所述异常有向路段在第一预设时长内的第一预测通行量；
判断单元，用于根据所述异常有向路段在第一预设时长内的第一预测通行量判断所述异常有向路段是否属于通行量异常路段。
17.根据权利要求16所述的装置，其中，所述判断单元具体用于：
获取所述异常有向路段在第一预设时长内的第一实际通行量；
根据所述异常有向路段在第一预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
当所述第一通行量因子小于预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
18.根据权利要求16所述的装置，其中，若所述第二车行轨迹特征包括：第三子车行轨迹特征和第四子车行轨迹特征，所述通行量预测模型包括：第一子通行量预测模型和第二子通行量预测模型，所述第一预设时长包括：第二预设时长和第三预设时长，则所述预测单元具体用于：
将所述异常有向路段的第三子车行轨迹特征输入所述第一子通行量预测模型，得到所述异常有向路段在第二预设时长内的第一预测通行量；
将所述异常有向路段的第四子车行轨迹特征输入所述第二子通行量预测模型，得到所述异常有向路段在第三预设时长内的第一预测通行量；
对应地，所述判断单元具体用于：
获取所述异常有向路段在第二预设时长内的第一实际通行量，以及所述异常有向路段在第三预设时长内的第二实际通行量；
根据所述异常有向路段在第二预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
根据所述异常有向路段在第三预设时长内的所述第一预测通行量和所述第二实际通行量，得到第二通行量因子；
根据所述第一通行量因子和所述第二通行量因子，得到第三通行量因子；
当所述第三通行量因子小于预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
19.根据权利要求13-15任一项所述的装置，其中，所述判断模块，包括：
预测单元，用于针对任意所述异常有向路段，分别将所述异常有向路段的第二车行轨迹特征以及所述异常有向路段的至少一条参考有向路段的第二车行轨迹特征输入所述通行量预测模型进行预测，得到所述异常有向路段在第一预设时长内的第一预测通行量，以及每条所述参考有向路段在第一预设时长内的第二预测通行量；
判断单元，用于根据所述异常有向路段在第一预设时长内的第一预测通行量，以及每条所述参考有向路段在第一预设时长内的第二预测通行量，判断所述异常有向路段是否属于通行量异常路段。
20.根据权利要求19所述的装置，其中，所述判断单元具体用于：
获取所述异常有向路段在第一预设时长内的第一实际通行量以及每条所述参考有向路段在第一预设时长内的第二实际通行量；
根据所述异常有向路段在第一预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
分别根据每条所述参考有向路段在第一预设时长内的所述第二预测通行量和所述第二实际通行量，得到每条所述参考有向路段的第二通行量因子；
当所述第一通行量因子小于预设通行量因子，且至少一条所述参考有向路段的第二通行量因子小于所述预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
21.根据权利要求19所述的装置，其中，若所述异常有向路段的第二车行轨迹特征包括：第三子车行轨迹特征和第四子车行轨迹特征，每条参考有向路段的第二车行轨迹特征包括：第五子车行轨迹特征和第六子车行轨迹特征，所述通行量预测模型包括：第一子通行量预测模型和第二子通行量预测模型，所述第一预设时长包括：第二预设时长和第三预设时长，则所述预测单元具体用于：
分别将所述异常有向路段的第三子车行轨迹特征以及每条所述参考有向路段的第五子车行轨迹特征输入所述第一子通行量预测模型，得到所述异常有向路段在第二预设时长内的第一预测通行量，以及每条所述参考有向路段在二预设时长内的第二预测通行量；
分别将所述异常有向路段的第四子车行轨迹特征以及每条所述参考有向路段的第六子车行轨迹特征输入所述第二子通行量预测模型，得到所述异常有向路段在第三预设时长内的第一预测通行量，以及每条所述参考有向路段在第三预设时长内的第二预测通行量；
对应地，所述判断单元具体用于：
获取所述异常有向路段在第二预设时长内的第一实际通行量、所述异常有向路段在第三预设时长内的第二实际通行量、每条所述参考有向路段在第二预设时长内的第三实际通行量，以及每条所述参考有向路段在第三预设时长内的第四实际通行量；
根据所述异常有向路段在第二预设时长内的所述第一预测通行量和所述第一实际通行量，得到第一通行量因子；
根据所述异常有向路段在第三预设时长内的所述第一预测通行量和所述第二实际通行量，得到第二通行量因子；
分别根据每条所述参考有向路段在第二预设时长内的所述第二预测通行量和所述第三实际通行量，得到每条所述参考有向路段的第三通行量因子；
分别根据每条所述参考有向路段在第三预设时长内的所述第二预测通行量和所述第四实际通行量，得到每条所述参考有向路段的第四通行量因子；
根据所述第一通行量因子和所述第二通行量因子，得到第五通行量因子；
分别根据每条所述参考有向路段的第三通行量因子和第四通行量因子，得到每条所述参考有向路段的第六通行量因子；
当所述第五通行量因子小于预设通行量因子，且至少一条所述参考有向路段的第六通行量因子小于所述预设通行量因子时，确定所述异常有向路段属于通行量异常路段。
22.根据权利要求13-15任一项所述的装置，其中，所述存储模块具体用于：
针对属于通行量异常路段的任意所述异常有向路段，根据历史用户路段反馈信息中是否存储有所述异常有向路段的历史反馈信息，和/或，历史路段通行性信息中是否存储有所述异常有向路段的历史通行性权值，对所述异常有向路段的目标通行性权值进行存储；
其中，所述历史用户路段反馈信息包括：历史用户反馈的至少一条有向路段的路段信息，所述历史路段通行性信息包括：至少一条通行量异常路段的历史通行性权值。
23.根据权利要求22所述的装置，其中，所述装置还包括：
第二确定模块，用于在为任意终端导航时，根据所述终端对应的起始地信息、目的地信息、所述终端对应的用户属性信息、所述历史用户路段反馈信息，和/或，所述历史路段通行性信息，确定所述终端的至少一条规划路线；
发送模块，用于将所述终端的至少一条规划路线发送给所述终端。
24.根据权利要求13-15中任一项所述的装置，其中，所述装置还包括：
更新模块，用于根据用户反馈信息更新所述通行性预测模型；其中，所述用户反馈信息包括：各用户反馈的至少一条有向路段的路段信息，和/或，各用户反馈的至少一条规划路线的路线信息。
25.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
CN202010444175.7A 2020-05-22 2020-05-22 道路通行性的确定方法、装置、设备及存储介质 Active CN113706857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010444175.7A CN113706857B (zh) 2020-05-22 2020-05-22 道路通行性的确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010444175.7A CN113706857B (zh) 2020-05-22 2020-05-22 道路通行性的确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113706857A CN113706857A (zh) 2021-11-26
CN113706857B true CN113706857B (zh) 2022-11-08

Family

ID=78646434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010444175.7A Active CN113706857B (zh) 2020-05-22 2020-05-22 道路通行性的确定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113706857B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114610731A (zh) * 2022-03-04 2022-06-10 腾讯科技（深圳）有限公司 道路通行属性的更新方法、装置、设备及存储介质
CN115031750B (zh) * 2022-06-02 2023-06-09 北京百度网讯科技有限公司 阻断路段的状态确定方法、装置及计算机程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006330822A (ja) * 2005-05-23 2006-12-07 Equos Research Co Ltd 車載装置
JP2008164831A (ja) * 2006-12-27 2008-07-17 Aisin Aw Co Ltd 地図情報生成システム
JP2016105109A (ja) * 2016-02-18 2016-06-09 株式会社ゼンリン 地図データのデータ構造及び制御システム
CN105806351A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 一种道路信息推测方法及装置
CN110533240A (zh) * 2019-08-26 2019-12-03 西南交通大学 基于轨迹数据的自行车道线网规划方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010230588A (ja) * 2009-03-27 2010-10-14 Denso Corp 経路探索装置
CN103557870B (zh) * 2013-10-09 2014-11-12 董路 一种动态轨迹导航方法及云平台
CN104504065B (zh) * 2014-12-19 2018-01-30 百度在线网络技术（北京）有限公司 导航路线生成方法和装置
CN106157609A (zh) * 2015-04-17 2016-11-23 高德软件有限公司 一种路段状态的监测方法及装置
CN104933862A (zh) * 2015-05-26 2015-09-23 大连理工大学 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法
CN105427624B (zh) * 2015-12-01 2018-03-06 浙江宇视科技有限公司 一种自由流速度的计算方法和装置
CN109974726A (zh) * 2017-12-28 2019-07-05 北京搜狗科技发展有限公司 一种道路通行状态确定方法及装置
CN109003437A (zh) * 2018-07-06 2018-12-14 中国电建集团华东勘测设计研究院有限公司 一种施工区交通影响综合指标计算方法
CN109035776A (zh) * 2018-08-23 2018-12-18 深圳大学 一种交通异常检测方法及系统
US20200090503A1 (en) * 2018-09-13 2020-03-19 Here Global B.V. Method, apparatus, and system for real-time detection of road closures
CN110782654B (zh) * 2019-02-22 2021-05-25 滴滴智慧交通科技有限公司 拥堵区域通行能力估测方法、装置及数据处理设备
CN110032381B (zh) * 2019-02-27 2022-10-04 丰图科技(深圳)有限公司 电子地图的道路状态更新方法、系统及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006330822A (ja) * 2005-05-23 2006-12-07 Equos Research Co Ltd 車載装置
JP2008164831A (ja) * 2006-12-27 2008-07-17 Aisin Aw Co Ltd 地図情報生成システム
CN105806351A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 一种道路信息推测方法及装置
JP2016105109A (ja) * 2016-02-18 2016-06-09 株式会社ゼンリン 地図データのデータ構造及び制御システム
CN110533240A (zh) * 2019-08-26 2019-12-03 西南交通大学 基于轨迹数据的自行车道线网规划方法

Also Published As

Publication number Publication date
CN113706857A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
US11415427B2 (en) Providing traffic warnings to a user based on return journey
WO2021218131A1 (zh) 一种路线规划方法、装置、设备和计算机存储介质
US10078337B1 (en) Generation of trip estimates using real-time data and historical data
US9945678B2 (en) Navigation system with arrival time mechanism and method of operation thereof
US9689693B2 (en) Systems and methods for learning and displaying customized geographical navigational options
US20200151611A1 (en) Machine-Learned Model System
US10175059B2 (en) Method, apparatus and computer program product for a navigation system user interface
EP3009798B1 (en) Providing alternative road navigation instructions for drivers on unfamiliar roads
US20150330800A1 (en) Systems and Methods for Personalized Multi-Destination Trip Planning
US11079245B1 (en) Techniques for route planning optimization
CN110823237B (zh) 起点绑路及预测模型获取方法、装置及存储介质
CN113706857B (zh) 道路通行性的确定方法、装置、设备及存储介质
US20180216948A1 (en) Route recommendation in map service
US10209088B2 (en) Method and apparatus for route calculation considering potential mistakes
CN112101527A (zh) 识别车道变化的方法和装置、电子设备和存储介质
CN112541135A (zh) 信息共享方法、装置、电子设备、存储介质及程序产品
US10401187B2 (en) Method, apparatus and computer program product for a navigation system user interface
US20240183671A1 (en) Providing Navigational Instructions Based On Contextual Data
CN116194935B (zh) 用于确定地理区域中的车辆的导航简档的方法和设备
CN113276888B (zh) 基于自动驾驶的乘车方法、装置、设备和存储介质
CN110542428B (zh) 驾驶路线质量评估方法及装置
CN112148010A (zh) 自动驾驶功能控制方法、装置、电子设备及存储介质
CN113139138A (zh) 信息推荐方法和装置、电子设备、存储介质
CN113139026B (zh) 导航过程中路线推荐方法、装置、设备和介质
US20230228579A1 (en) Navigating method, electronic device and medium

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant