CN114218504A - 阻断路段识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了阻断路段识别方法、装置、电子设备及存储介质，涉及大数据处理、深度学习以及计算机视觉等人工智能领域，其中的方法可包括：将待处理区域划分为至少两个网格；在每个识别周期，分别进行以下处理：针对该识别周期内获取到的任一轨迹信息，分别将该轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中；当该识别周期结束时，根据对应的网格库中的数据从各网格中筛选出异常网格；根据所述异常网格确定出阻断的路段。应用本公开所述方案，可节省人力和时间成本，并可确保识别结果的准确性等。

Description

阻断路段识别方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及大数据处理、深度学习以及计算机视觉等领域的阻断路段识别方法、装置、电子设备及存储介质。

背景技术

在现实世界中，由于交通管制、施工或恶劣天气等原因，会导致临时封路，从而使得道路(路段)无法通行，即发生阻断。当前，用户的出行经常需要借助于基于电子地图的导航系统，在根据用户输入的起点和终点位置进行导航路线规划时，可选择避开阻断的路段，从而可确保用户的顺利出行，提高用户的出行效率等。

为此，需要及时确定出阻断的路段。目前，多依赖于用户上报或基于特定人员的实地采集等方式来获知阻断的路段。但用户上报的方式准确性通常较差，而实地采集的方式需要耗费较大的人力和时间成本，且效率低下。

发明内容

本公开提供了阻断路段识别方法、装置、电子设备及存储介质。

一种阻断路段识别方法，包括：

将待处理区域划分为至少两个网格；

在每个识别周期，分别进行以下处理：

针对所述识别周期内获取到的任一轨迹信息，分别将所述轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中；

当所述识别周期结束时，根据对应的网格库中的数据从各网格中筛选出异常网格；

根据所述异常网格确定出阻断的路段。

一种阻断路段识别装置，包括：网格划分模块、信息处理模块、异常筛选模块以及阻断确定模块；

所述网格划分模块，用于将待处理区域划分为至少两个网格；

所述信息处理模块，用于在每个识别周期，针对所述识别周期内获取到的任一轨迹信息，分别将所述轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中；

所述异常筛选模块，用于当所述识别周期结束时，根据对应的网格库中的数据从各网格中筛选出异常网格；

所述阻断确定模块，用于根据所述异常网格确定出阻断的路段。

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如以上所述的方法。

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计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。

上述公开中的一个实施例具有如下优点或有益效果：可根据获取到的轨迹信息自动确定出阻断的路段，从而节省了人力和时间成本，提高了处理效率，另外，可划分出不同的网格，并可根据对应的网格库中的轨迹点数据确定出异常网格，进而可根据异常网格确定出阻断的路段，从而确保了识别结果的准确性等。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：

图1为本公开所述阻断路段识别方法第一实施例的流程图；

图2为本公开所述差分结果的示意图；

图3为本公开所述阻断路段识别方法第二实施例的流程图；

图4为本公开所述阻断路段识别装置实施例400的组成结构示意图；

图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述阻断路段识别方法第一实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，将待处理区域划分为至少两个网格。

在步骤102中，在每个识别周期，分别按照步骤103-步骤105所示方式进行处理。

在步骤103中，针对该识别周期内获取到的任一轨迹信息，分别将所述轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中。

在步骤104中，当该识别周期结束时，根据对应的网格库中的数据从各网格中筛选出异常网格。

在步骤105中，根据筛选出的异常网格确定出阻断的路段。

可以看出，上述方法实施例所述方案中，可根据获取到的轨迹信息自动确定出阻断的路段，从而节省了人力和时间成本，提高了处理效率，另外，可划分出不同的网格，并可根据对应的网格库中的轨迹点数据确定出异常网格，进而可根据异常网格确定出阻断的路段，从而确保了识别结果的准确性等。

本公开中所述的待处理区域具体为哪一区域不作限制，比如，可以是指整个国家或某一城市的区域等。

本公开的一个实施例中，可将所述待处理区域划分为同等大小的至少两个网格。通常来说，划分出的网格数量会远大于2。网格的大小可根据实际需要而定，比如，可为1000米*1000米大小。

按照上述方式，可快速高效地划分出所需的网格，从而为后续处理奠定了良好的基础。

基于划分得到的各网格，在每个识别周期，可分别按照步骤103-步骤105所示方式进行处理，即针对不同的识别周期，可按照同样的方式进行处理。通常来说，不同的识别周期对应的时长是相同的，比如一天。

在每个识别周期内，针对获取到的任一轨迹信息，可分别将该轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中。本公开的一个实施例中，还可先对获取到的轨迹信息进行预处理，所述预处理可包括：若确定该轨迹信息符合以下任一条件，则丢弃该轨迹信息：该轨迹信息为低质轨迹，该轨迹信息为非机动车轨迹，反之，可将该轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中。

比如，可实时获取从端上回传到数据处理中心的轨迹信息，所述端上可以是指用户使用的手机、平板电脑等，所述轨迹信息可包括机动车轨迹信息以及非机动车轨迹信息，其中，非机动车轨迹信息可包括骑行轨迹信息、步行轨迹信息等。

低质轨迹即指低质量的轨迹信息，针对获取到的任一轨迹信息，可首先确定该轨迹信息是否为低质轨迹，若是，则可丢弃该轨迹信息，若否，可进一步对该轨迹信息进行轨迹分类，若分类结果显示该轨迹信息为非机动车轨迹，则可丢弃该轨迹信息，否则，可继续后续的处理，即可将该轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中。

如何确定轨迹信息是否为低质轨迹不作限制，比如，可根据预先设定的评估规则，确定出任一轨迹信息是否为低质轨迹，或者，可利用预先训练得到的评估模型，确定出任一轨迹信息是否为低质轨迹。通过滤除低质轨迹，可减少后续处理的工作量，并可提升后续处理结果的准确性等。

如何对轨迹信息进行轨迹分类同样不作限制，比如，可利用预先训练得到的分类模型对任一轨迹信息进行轨迹分类。通常来说，机动车轨迹信息更能反映出道路是否阻断，因此可滤除非机动车轨迹信息，从而可减少后续处理的工作量，并可提升后续处理结果的准确性等。

针对每个网格，可分别建立对应的网格库，另外，在针对每个识别周期的处理结束之后，可清空所述网格库，即对于下一个识别周期来说，网格库初始为空。

如前所述，在每个识别周期，针对获取到的任一轨迹信息，可分别将该轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中。一条轨迹信息中可包括组成该轨迹的多个轨迹点的轨迹点数据，由于每个轨迹点的坐标信息(即经纬度信息)都是已知的，各网格对应的区域的经纬度信息也是已知的，因此可方便地确定出各轨迹点所属的网格，进而可将各轨迹点的轨迹点数据分别加入到所属网格对应的网格库中。

当识别周期结束时，可根据对应的网格库中的数据从各网格中筛选出异常网格。本公开的一个实施例中，针对任一网格，可分别根据对应的网格库中的数据生成该网格的网格画像，并可根据所述网格画像确定出该网格是否为异常网格。

本公开的一个实施例中，针对任一网格，在根据所述网格画像确定出该网格是否为异常网格时，可将所述网格画像与历史网格画像进行比较，根据比较结果确定出该网格是否为异常网格，历史网格画像为历史上生成的该网格的网格画像。

所述网格画像可以是指关于该网格的统计参数，如可包括以下之一或任意组合：轨迹点密度、偏航轨迹点数量、轨迹点速度分布、轨迹点转向分布。

其中，轨迹点密度可以是指识别周期内入库(加入网格库)的轨迹点数量，偏航轨迹点数量可以是指相比于导航规则的路线发生偏航的轨迹点数量，轨迹点速度分布可以是指各轨迹点对应的行驶速度分布情况，轨迹点转向分布可以是指各轨迹点对应的转向角度分布情况。各轨迹点对应的行驶速度和转向角度等信息可包括在轨迹点数据中。另外，可按照现有方式获取导航规划的路线。

对于任一网格，针对每个识别周期，可分别生成一个网格画像，对于当前的识别周期来说，之前所生成的各网格画像即为该网格的历史网格画像。

比如，对于任一网格a，当前的识别周期生成的网格画像为网格画像b，那么可将网格画像b与网格a的任一历史网格画像如网格画像c进行比较，并可根据比较结果确定出网格a是否为异常网格。

假设识别周期为一天，那么网格画像c可以是指前一天生成的网格画像，也可以是指前第N天生成的网格画像，N为大于一的正整数，如7。假设相比于网格画像c，网格画像b中的轨迹点密度降幅较大，如大于预定阈值，那么则可认为网格a为异常网格，或者，假设相比于网格画像c，网格画像b中的偏航轨迹点数量增幅较大，那么也可认为网格a为异常网格，或者，假设相比于网格画像c，网格画像b中的轨迹点速度分布差异变大，那么也可认为网格a为异常网格，或者，假设相比于网格画像c，网格画像b中的轨迹点转向分布差异变大，那么也可认为网格a为异常网格。

上述处理方式中，借助于生成的网格画像，可清楚直观地表达出网格内的区域通行状况，并可通过与历史网格画像进行比较，准确高效地筛选出所需的异常网格。

进一步地，可根据异常网格确定出/识别出阻断的路段，异常网格只能表示该网格存在异常，但一个网格区域中可能存在多个路段，并非所有路段均为阻断的路段，因此，还需要进一步确定出异常网格中的阻断的路段。

本公开的一个实施例中，针对任一异常网格，可分别进行以下处理：根据该异常网格对应的网格库中的数据进行轨迹成像，得到该异常网格对应的轨迹图，将所述轨迹图与历史轨迹图进行比较，根据比较结果确定出该异常网格中的阻断的路段，历史轨迹图为历史上生成的该异常网格对应的轨迹图。

针对任一异常网格，可分别根据其对应的网格库中的轨迹点数据，进行打点成像，即进行轨迹成像，从而得到该异常网格对应的轨迹图。打点成像，即指针对网格库中的每个轨迹点数据，分别根据该轨迹点的坐标信息在网格中的对应位置进行标记，从而得到关于所有轨迹点的轨迹图。

对于任一网格，针对每个识别周期，可分别生成一个对应的轨迹图，对于当前的识别周期来说，之前所生成的各轨迹图即为该网格的历史轨迹图。

可将当前的识别周期生成的轨迹图与历史轨迹图进行比较，根据比较结果确定出异常网格中的阻断的路段，具体地，本公开的一个实施例中，可将当前的识别周期生成的轨迹图与一个历史轨迹图进行差分处理，根据差分结果确定出阻断的路段。

比如，对于任一异常网格p，当前的识别周期生成的轨迹图为轨迹图q，那么可将轨迹图q与异常网格p的任一历史轨迹图如轨迹图w进行比较，并可根据比较结果确定出异常网格p中的阻断的路段。

假设识别周期为一天，那么轨迹图w可以是指前一天生成的轨迹图，也可以是指前第N天生成的轨迹图，N为大于一的正整数。

将两个轨迹图进行差分处理，即指将两个轨迹图相减，如用上述的轨迹图q减去轨迹图w，进而可根据差分结果(即相减结果)确定出阻断的路段。

比如，如果某一路段为未阻断的路段，那么经过相减后，该路段对应的轨迹点基本都消失了，而如果某一路段为阻断的路段，通常在轨迹图w中该路段上会存在很多的轨迹点，但在轨迹图q中该路段上则存在较少的轨迹点，从而相减后可明显的看出差异。

基于上述介绍，图2为本公开所述差分结果的示意图。如图2所示，其中的白色部分表示轨迹成像线，浅黑色部分表示差分出的阻断的路段。

可以看出，上述采用的是面轨迹图差分方式，利用面轨迹图差分结果来识别出阻断的路段，从而可以更充分地利用区域面原始轨迹信息，进而进一步提升了识别结果的准确性等。

综合上述介绍，图3为本公开所述阻断路段识别方法第二实施例的流程图。如图3所示，包括以下具体实现方式。

在步骤301中，将待处理区域划分为至少两个网格。

比如，可将待处理区域划分为同等大小的至少两个网格。

在步骤302中，在每个识别周期，分别按照步骤303～步骤308所示方式进行处理。

比如，每个识别周期的时长可为一天。

在步骤303中，获取轨迹信息。

在步骤304中，确定该轨迹信息是否符合以下任一条件：该轨迹信息为低质轨迹，该轨迹信息为非机动车轨迹，若是，则执行步骤305，否则，执行步骤306。

在步骤305中，丢弃该轨迹信息，之后重复执行步骤303。

在步骤306中，将该轨迹信息中的各轨迹点数据分别加入到所属网格对应的网格库中。

在步骤307中，当该识别周期结束时，针对任一网格，分别根据对应的网格库中的数据生成该网格的网格画像，根据所述网格画像确定出该网格是否为异常网格。

比如，可将所述网格画像与历史网格画像进行比较，根据比较结果确定出该网格是否为异常网格，历史网格画像为历史上生成的该网格的网格画像。

在步骤308中，针对任一异常网格，分别根据该异常网格对应的网格库中的数据进行轨迹成像，得到该异常网格对应的轨迹图，将所述轨迹图与历史轨迹图进行比较，根据比较结果确定出该异常网格中的阻断的路段，历史轨迹图为历史上生成的该异常网格对应的轨迹图。

比如，可将所述轨迹图与一个历史轨迹图进行差分处理，根据差分结果确定出阻断的路段。

在实际应用中，针对每个识别周期，在确定出阻断的路段后，还可将其更新到电子地图系统中，相应地，在根据用户输入的起点和终点位置进行导航路线规划时，可选择避开阻断的路段，从而可确保用户的顺利出行，提高用户的出行效率等。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图4为本公开所述阻断路段识别装置实施例400的组成结构示意图。如图4所示，包括：网格划分模块401、信息处理模块402、异常筛选模块403以及阻断确定模块404。

网格划分模块401，用于将待处理区域划分为至少两个网格。

信息处理模块402，用于在每个识别周期，针对该识别周期内获取到的任一轨迹信息，分别将该轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中。

异常筛选模块403，用于当该识别周期结束时，根据对应的网格库中的数据从各网格中筛选出异常网格。

阻断确定模块404，用于根据所述异常网格确定出阻断的路段。

本公开的一个实施例中，可将待处理区域划分为同等大小的至少两个网格。通常来说，划分出的网格数量会远大于2。网格的大小可根据实际需要而定，比如，可为1000米*1000米大小。

基于划分得到的各网格，在每个识别周期，可分别按照同样的方式进行处理。通常来说，不同识别周期对应的时长是相同的，比如一天。

在每个识别周期内，针对获取到的任一轨迹信息，信息处理模块402可分别将该轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中。本公开的一个实施例中，信息处理模块402还可先对获取到的轨迹信息进行预处理，所述预处理可包括：若确定该轨迹信息符合以下任一条件，则丢弃该轨迹信息：该轨迹信息为低质轨迹，该轨迹信息为非机动车轨迹，反之，可将该轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中。

一条轨迹信息中可包括组成该轨迹的多个轨迹点的轨迹点数据，由于每个轨迹点的坐标信息(即经纬度信息)都是已知的，各网格对应的区域的经纬度信息也是已知的，因此可方便地确定出各轨迹点所属的网格，进而可将各轨迹点的轨迹点数据分别加入到所属网格对应的网格库中。

当识别周期结束时，异常筛选模块403可根据对应的网格库中的数据从各网格中筛选出异常网格。本公开的一个实施例中，针对任一网格，异常筛选模块403可根据对应的网格库中的数据生成该网格的网格画像，并可根据所述网格画像确定出该网格是否为异常网格。

本公开的一个实施例中，针对任一网格，异常筛选模块403在根据所述网格画像确定出该网格是否为异常网格时，可将所述网格画像与历史网格画像进行比较，根据比较结果确定出该网格是否为异常网格，历史网格画像为历史上生成的该网格的网格画像。

所述网格画像可以是指关于该网格的统计参数，如可包括以下之一或任意组合：轨迹点密度、偏航轨迹点数量、轨迹点速度分布、轨迹点转向分布。

对于任一网格，针对每个识别周期，可分别生成一个网格画像，对于当前的识别周期来说，之前所生成的各网格画像即为该网格的历史网格画像。

进一步地，阻断确定模块404可根据异常网格确定出/识别出阻断的路段，异常网格只能表示该网格存在异常，但一个网格区域中可能存在多个路段，并非所有路段均为阻断的路段，因此，还需要进一步确定出异常网格中的阻断的路段。

本公开的一个实施例中，针对任一异常网格，阻断确定模块404可分别进行以下处理：根据该异常网格对应的网格库中的数据进行轨迹成像，得到该异常网格对应的轨迹图，将所述轨迹图与历史轨迹图进行比较，根据比较结果确定出该异常网格中的阻断的路段，历史轨迹图为历史上生成的该异常网格对应的轨迹图。

对于任一网格，针对每个识别周期，可分别生成一个对应的轨迹图，对于当前的识别周期来说，之前所生成的各轨迹图即为该网格的历史轨迹图。

可将当前的识别周期生成的轨迹图与历史轨迹图进行比较，根据比较结果确定出异常网格中的阻断的路段，具体地，本公开的一个实施例中，阻断确定模块404可将当前的识别周期生成的轨迹图与一个历史轨迹图进行差分处理，根据差分结果确定出阻断的路段。

图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可根据获取到的轨迹信息自动确定出阻断的路段，从而节省了人力和时间成本，提高了处理效率，另外，可划分出不同的网格，并可根据对应的网格库中的轨迹点数据确定出异常网格，进而可根据异常网格确定出阻断的路段，从而确保了识别结果的准确性等。

本公开所述方案可应用于人工智能领域，特别涉及大数据处理、深度学习以及计算机视觉等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

本公开所述实施例中的轨迹信息并不是针对某一特定用户的轨迹信息，并不能反映出某一特定用户的个人信息，另外，阻断路段识别方法的执行主体可以通过各种公开、合法合规的方式获取所述轨迹信息，如经过了用户的授权从用户处获取等。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。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、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。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/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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，本发公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种阻断路段识别方法，包括：

将待处理区域划分为至少两个网格；

在每个识别周期，分别进行以下处理：

针对所述识别周期内获取到的任一轨迹信息，分别将所述轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中；

当所述识别周期结束时，根据对应的网格库中的数据从各网格中筛选出异常网格；

根据所述异常网格确定出阻断的路段。

2.根据权利要求1所述的方法，其中，

所述将待处理区域划分为至少两个网格包括：将所述待处理区域划分为同等大小的至少两个网格。

3.根据权利要求1所述的方法，还包括：

若确定所述轨迹信息符合以下任一条件，则丢弃所述轨迹信息：所述轨迹信息为低质轨迹，所述轨迹信息为非机动车轨迹。

4.根据权利要求1所述的方法，其中，所述根据对应的网格库中的数据从各网格中筛选出异常网格包括：

针对任一网格，分别根据对应的网格库中的数据生成所述网格的网格画像，根据所述网格画像确定出所述网格是否为异常网格。

5.根据权利要求4所述的方法，其中，所述根据所述网格画像确定出所述网格是否为异常网格包括：

将所述网格画像与历史网格画像进行比较，根据比较结果确定出所述网格是否为异常网格，所述历史网格画像为历史上生成的所述网格的网格画像。

6.根据权利要求1～5中任一项所述的方法，其中，所述根据所述异常网格确定出阻断的路段包括：

针对任一异常网格，分别进行以下处理：

根据所述异常网格对应的网格库中的数据进行轨迹成像，得到所述异常网格对应的轨迹图；

将所述轨迹图与历史轨迹图进行比较，根据比较结果确定出所述异常网格中的阻断的路段，所述历史轨迹图为历史上生成的所述异常网格对应的轨迹图。

7.根据权利要求6所述的方法，其中，所述将所述轨迹图与历史轨迹图进行比较，根据比较结果确定出所述异常网格中的阻断的路段包括：

将所述轨迹图与一个历史轨迹图进行差分处理，根据差分结果确定出所述阻断的路段。

8.一种阻断路段识别装置，包括：网格划分模块、信息处理模块、异常筛选模块以及阻断确定模块；

所述网格划分模块，用于将待处理区域划分为至少两个网格；

所述信息处理模块，用于在每个识别周期，针对所述识别周期内获取到的任一轨迹信息，分别将所述轨迹信息中的各轨迹点数据加入到所属网格对应的网格库中；

所述异常筛选模块，用于当所述识别周期结束时，根据对应的网格库中的数据从各网格中筛选出异常网格；

所述阻断确定模块，用于根据所述异常网格确定出阻断的路段。

9.根据权利要求8所述的装置，其中，

所述网格划分模块将所述待处理区域划分为同等大小的至少两个网格。

10.根据权利要求8所述的装置，其中，

所述信息处理模块进一步用于，若确定所述轨迹信息符合以下任一条件，则丢弃所述轨迹信息：所述轨迹信息为低质轨迹，所述轨迹信息为非机动车轨迹。

11.根据权利要求8所述的装置，其中，

所述异常筛选模块针对任一网格，分别根据对应的网格库中的数据生成所述网格的网格画像，根据所述网格画像确定出所述网格是否为异常网格。

12.根据权利要求11所述的装置，其中，

所述异常筛选模块将所述网格画像与历史网格画像进行比较，根据比较结果确定出所述网格是否为异常网格，所述历史网格画像为历史上生成的所述网格的网格画像。

13.根据权利要求8～12中任一项所述的装置，其中，

所述阻断确定模块针对任一异常网格，分别进行以下处理：根据所述异常网格对应的网格库中的数据进行轨迹成像，得到所述异常网格对应的轨迹图，将所述轨迹图与历史轨迹图进行比较，根据比较结果确定出所述异常网格中的阻断的路段，所述历史轨迹图为历史上生成的所述异常网格对应的轨迹图。

14.根据权利要求13所述的装置，其中，

所述阻断确定模块将所述轨迹图与一个历史轨迹图进行差分处理，根据差分结果确定出所述阻断的路段。

15.一种电子设备，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1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述的方法。

Images