CN120452200A - 路况识别方法、路径规划方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供了路况识别方法、路径规划方法、装置、电子设备、存储介质以及程序产品，涉及智慧交通技术领域，尤其涉及车联网技术领域、导航技术领域、大数据处理技术领域等。具体实现方案为：获取异常路段上多个车道各自的车道通行信息集合；基于车道通行信息集合，确定用于识别异常车道的通行识别指标，其中，通行识别指标包括以下至少一项：速度指标、距离指标以及密度指标；以及基于多个车道各自的通行识别指标，从多个车道中确定异常车道。

Description

路况识别方法、路径规划方法、装置、设备及存储介质

技术领域

本公开涉及智慧交通技术领域，尤其涉及车联网技术领域、导航技术领域、大数据处理技术领域等，具体涉及路况识别方法、路径规划方法、装置、电子设备、存储介质以及程序产品。

背景技术

随着车辆数量的快速增长，道路发生拥堵的情况日渐频繁和突出，根据拥堵原因，可以将道路拥堵划分为常规拥堵和异常拥堵。常规拥堵多发生在早晚高峰期，例如出行密集的上下班时间段。异常拥堵多为偶发性事件引起，如：交通事故、车辆抛锚等导致拥堵现象。

相关技术能够为导航用户提供道路拥堵的预警信息，但是难以做到精细化预警。

发明内容

本公开提供了一种路况识别方法、路径规划方法、装置、电子设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种路况识别方法，包括：获取异常路段上多个车道各自的车道通行信息集合；基于上述车道通行信息集合，确定用于识别异常车道的通行识别指标，其中，上述通行识别指标包括以下至少一项：速度指标、距离指标以及密度指标；以及基于多个上述车道各自的上述通行识别指标，从多个上述车道中确定异常车道。

根据本公开的另一方面，提供了一种路径规划方法，包括：在确定车辆处于上述异常路段的情况下，更新导航界面的导航信息至车道级导航信息，并添加用于表征上述异常路段中的异常车道的标识信息；

其中，上述异常车道是通过如上所述的路况识别方法确定的。

根据本公开的另一方面，提供了一种路况识别装置，包括：集合获取模块，用于获取异常路段上多个车道各自的车道通行信息集合；指标识别模块，用于基于上述车道通行信息集合，确定用于识别异常车道的通行识别指标，其中，上述通行识别指标包括以下至少一项：速度指标、距离指标以及密度指标；以及第一车道识别模块，用于基于多个上述车道各自的上述通行识别指标，从多个上述车道中确定异常车道。

根据本公开的另一方面，提供了一种路径规划装置，包括：导航更新模块，用于在确定车辆处于上述异常路段的情况下，更新导航界面的导航信息至车道级导航信息；以及标识模块，用于添加用于表征上述异常路段中的异常车道的标识信息；其中，上述异常车道是通过如上所述的路况识别装置确定的。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如上所述的方法。

根据本公开的另一方面，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，其中，上述计算机指令用于使上述计算机执行如上所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如上所述的方法。

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示意性示出了根据本公开实施例的可以应用路况识别方法及装置的示例性系统架构；

图2示意性示出了根据本公开实施例的路况识别方法的流程图；

图3A示意性示出了根据本公开实施例的识别异常车道的流程示意图；

图3B示意性示出了根据本公开另一实施例的识别异常车道的流程示意图；

图4示意性示出了根据本公开实施例的生成路网拓扑的示意图；

图5示意性示出了根据本公开实施例的路径规划方法的流程图；

图6示意性示出了根据本公开实施例的更新导航界面的状态变化图；

图7示意性示出了根据本公开实施例的路况识别装置的框图；

图8示意性示出了根据本公开实施例的路径规划装置的框图；以及

图9示意性示出了根据本公开实施例的适于实现路况识别方法的电子设备的框图。

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。

目前判断异常车道的方法通常是通过采集的车辆行驶轨迹，通过分析车辆变道行为来判定车道是否存在事故或异常障碍物。

但是通过变道信息来确定异常车道的方法，需要根据在较长时段内采集到的车辆轨迹信息，确定变道轨迹。该种检测方法效率低下。此外，也存在一定的误判问题。

有鉴于此，本公开实施例提供了一种路况识别方法，包括：采集异常路段上多个车道各自的车道通行信息集合。基于车道通行信息集合，确定用于识别异常车道的通行识别指标。通行识别指标包括以下至少一项：速度指标、距离指标以及车辆密度指标。基于多个车道各自的通行识别指标，从多个车道中确定异常车道。

利用上述路况识别方法，能够在确定路段为异常路段的情况下，进一步确定异常路段上的异常车道，实现精细化异常路况识别，提高预警效果。 此外，能够通过各个车道的车道通行信息集合，确定通行识别指标，由此通过将直接采集的信息转换为通行识别指标，提高信息的利用率的同时，提高异常车道识别精度。另外，通行识别指标包括速度指标、距离指标以及车辆密度指标中的至少一种，该些指标与速度、距离以及车流量等车道通行信息相关，能够采集瞬时信息，无需通过长时间采集的信息来识别，提高了处理效率。

图1示意性示出了根据本公开实施例的可以应用路况识别方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括车辆101，网络102和服务器103。网络102用以在车辆101和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用车辆101通过网络102与服务器103交互，以接收或发送消息等。车辆101上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等（仅为示例）。需要说明的是，用户还可以使用其他终端设备例如手机、平板等，通过网络102与服务器103交互，以接收或发送消息，只要是能够使得服务器103获取车辆101的行驶状态信息即可。

车辆101可以是由人驾驶的车辆，但是并不局限于此，还可以是自动驾驶车辆，对车辆的类型不做限定。

服务器103可以是提供各种服务的服务器，例如对用户利用车辆101所浏览的内容提供支持的后台管理服务器（仅为示例）。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果（例如根据用户请求获取或生成的网页、信息、或数据等）反馈给车辆101。

需要说明的是，本公开实施例所提供的路况识别方法一般可以由服务器103执行。相应地，本公开实施例所提供的路况识别装置也可以设置于服务器103中。

应该理解，图1中的车辆、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的车辆、网络和服务器。

在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、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2示意性示出了根据本公开实施例的路况识别方法的流程图。

如图2所示，该方法包括操作S210~S230。

在操作S210，获取异常路段上多个车道各自的车道通行信息集合。

在操作S220，基于车道通行信息集合，确定用于识别异常车道的通行识别指标。

在操作S230，基于多个车道各自的通行识别指标，从多个车道中确定异常车道。

异常路段，可以指存在异常拥堵现象的路段。例如，在该路段上出现交通事故或者车辆抛锚等问题。示例性地，在车辆抛锚或者交通事故引起的路段拥堵的情况下，异常路段上的多个车道例如三行车道，可能是两个车道正常，抛锚车辆仅停靠在一个车道上，进而仅一个车道异常。可以基于车道通行信息集合，对异常路段的异常车道和正常车道进行识别，从多个车道中确定异常车道。由此提供精细化交通异常预警。

车道通行信息集合，可以包括多个车辆各自的车道通行信息。车道通行信息可以包括车辆的行驶状态信息，例如速度、位置、行驶方向、加速度等信息。但是并不局限于此。车道通行信息集合还可以包括车道上的车流量等信息。

通行识别指标可以包括以下至少一项：速度指标、距离指标以及车辆密度指标。

可选地，速度指标可以是利用车道通行信息中与车辆速度相关的信息确定的。距离指标可以是利用车道通行信息中与车辆行驶距离相关的信息确定的。车辆密度指标可以是利用车道通行信息中与车流量相关的信息确定的。

利用车道通行信息集合来确定用于识别异常车道的通行识别指标，能够对车道通行信息集合进行进一步转换和提炼，使得通行识别指标明确且有效。

利用上述路况识别方法，能够在确定路段为异常路段的情况下，进一步确定异常路段上的异常车道，实现精细化异常路况识别，提高预警效果。 此外，能够通过各个车道的车道通行信息集合，确定通行识别指标，由此通过将直接采集的信息转换为通行识别指标，提高信息的利用率的同时，提高异常车道识别精度。另外，通行识别指标包括速度指标、距离指标以及车辆密度指标中的至少一种，该些指标与速度、距离以及车流量等车道通行信息相关，能够采集瞬时信息，无需通过长时间采集的信息来识别，提高了处理效率。

利用本公开实施例提供的路况识别方法，能够保证异常车道识别的实效性、准确性以及精细化粒度。

根据本公开的实施例，针对如图2所示的操作S220，基于车道通行信息集合，确定用于识别异常车道的通行识别指标，可以包括：基于车道通行信息集合，确定用于指示平均车道通行信息的第一识别指标和用于指示车道通行信息集合中信息的离散程度的第二识别指标。基于第一识别指标和第二识别指标，得到通行识别指标。

第一识别指标和第二识别指标，可以是指同一维度的不同类型的识别指标。例如，以速度指标为例，第一识别指标可以包括速度中位数或者平均速度，用于表征车道上车辆的平均通行速度。第二识别指标可以包括速度方差，用于表征车道上不同车速的离散程度。

可以将第一识别指标和第二识别指标均作为通行识别指标，但是并不局限于此，还可以加权求和第一识别指标和第二识别指标，由此得到通行识别指标。只要是基于第一识别指标和第二识别指标，得到的通行识别指标即可。

车道通行信息集合包括多个车辆各自在预设时段内不同时刻的多个车道通行信息，结合了时间维度和空间维度等多个维度的多个行驶状态信息，由此使得用于筛选异常车道的参考信息全面且有效。此外，从车道通行信息集合中确定同一类型不同内容的多个识别指标，能够从不同角度全面分析，进而提高基于通行识别指标确定的异常车道的精度。

根据本公开的实施例，第一识别指标可以包括以下至少一项：速度中位数、车辆距离异常路段端部的平均距离、车辆数量。第二识别指标包括以下至少一项：速度方差、车辆距离异常路段端部的距离方差、车辆密度。

速度中位数，可以是单个车道上，多个车辆行驶速度的中位数。例如，多个速度按照由大到小顺序排列后，位于中间位置的速度值。例如，2km/h、2.5km/h、3km/h，则速度中位数为2.5km/h。利用速度中位数作为第一识别指标，能够消除极端速度例如不属于同一量纲例如20km/h对异常车道的识别干扰。

速度方差，可以是单个车道上，采集的多个车辆行驶速度的方差。速度方差作为第二识别指标，衡量了车道上车辆速度的离散程度。

可选地，第一识别指标还可以包括速度阈值比例。例如，某车道上车辆行驶速度低于速度阈值例如30 km/h的车辆数量占总数量的占比。

可选地，以速度指标作为通行识别指标，能够因事故点后方车辆停滞而使得异常车道上在事故点前方和后方的车辆速度差异显著。利用速度方差、速度阈值比例和速度中位数均作为速度指标，能够将第一识别指标和第二识别指标联合分析，通过速度指标快速且显著的反映车道的拥堵状态。

距离方差，可以是在预设时段内，多个车辆行驶距离的方差。但是并不局限于此。还可以某个时刻多个车辆与异常路段的端部之间的间距的方差。只要是能够表征车辆堆积而导致的距离分布状态的距离方差即可。

平均距离，可以是某个时刻多个车辆与异常路段的端部之间的间距的平均值。但是并不局限于此。还可以是在预设时段内，多个车辆行驶距离的平均值。

可选地，第一识别指标还可以包括距离阈值比例。例如，距离异常路段的端部属于距离阈值的车辆数量占总数量的比例。但是并不局限于此。第一识别指标还可以包括距离密度，例如，距离异常路段的端部最近的阈值占比例如10%的车辆的平均距离。

可选地，以距离指标作为通行识别指标，能够因事故点后方车辆堆积，距离分布集中而使得异常车道上在事故点前方和后方的车辆行驶距离差异显著。利用距离方差、距离阈值比例和平均距离等均作为距离指标，能够将第一识别指标和第二识别指标联合分析，通过距离指标显著的反映车道的拥堵状态。

车辆数量，可以指各车道上停留的车辆数量。但是并不局限于此。还可以指各车道上，在预设时间段内采集到的数据点数量。

车辆密度，可以指在预设时段内，各车道单位距离上采集的车辆数量。

可选地，以车辆密度指标作为通行识别指标，能够因事故点后方车辆堆积，车辆分布集中而使得异常车道上在事故点前方和后方的车辆分布差异显著。利用车辆数量、车辆密度等均作为车辆密度指标，能够将第一识别指标和第二识别指标联合分析，通过密度指标显著的反映车道的拥堵状态。

示例性地，第一识别指标可以包括：速度中位数、距离异常路段端部的平均距离和车辆数量。第二识别指标包括：速度方差、距离异常路段端部的距离方差和车辆密度。

第一识别指标表征通行信息集合中的通行信息的平均值，第二识别指标表征通行信息集合中信息的离散程度，结合第一识别指标和第二识别指标，能够从不同维度进行评估，进而提高异常车道识别准确性。

根据本公开的实施例，每个车道的通行识别指标可以包括多个。例如包括车辆密度指标、速度指标和距离指标等。

针对如图2所示的操作S230，基于多个车道各自的通行识别指标，从多个车道中确定异常车道，可以包括：针对每个车道，在多个通行识别指标均表征车道为异常车道的情况下，确定车道为异常车道。

例如，在车辆密度指标、速度指标和距离指标均表征车道为异常车道的情况下，确定车道为异常车道。

在多个通行识别指标中的任一通行识别指标表征车道为正常车道的情况下，则确定车道的识别结果为子模糊识别结果。在得到多个子模糊识别结果的情况下，得到表征未从多个车道中确定异常车道的模糊识别结果。

优选地，可以预先设置多个通行识别指标各自的优先级，按照优先级顺序，对车道进行识别。

例如，可以将速度指标的优先级排在最前，距离指标排在中间，车辆密度指标排在最后。

可选地，可以根据通行识别指标的显著性和确定简易性等作为参考指标，设置优先级顺序。以便利用该种优先级顺序，能够快速、简单且有效的进行异常车道识别。

可选地，可以将第一识别指标和第二识别指标均作为通行识别指标。针对同一类型的不同内容的第一识别指标和第二识别指标，可以共同判断，在均表征车道异常的情况下，确定车道异常。在任一一个表征车道正常的情况下，得到子模糊识别结果。

图3A示意性示出了根据本公开实施例的识别异常车道的流程示意图。

如图3A所示，识别异常车道包括如下操作S310至S350。

在操作S310，以速度指标作为通行识别指标为例，确定速度指标是否表征该车道为异常车道。可以将速度中位数与预定速度中位数阈值进行比较，并且将速度方差与速度方差阈值进行比较，在速度中位数小于预定速度中位数阈值且速度方差大于速度方差阈值的情况下，确定速度指标作为通行识别指标，表征该车道为异常车道，则执行操作S320。否则，执行操作S350。

在操作S320，以距离指标作为通行识别指标，确定距离指标是否表征该车道为异常车道。在平均距离小于预定距离阈值且距离方差大于距离方差阈值的情况下，确定距离指标作为通行识别指标，表征该车道为异常车道，则执行操作S330。否则，执行操作S350。

在操作S330，以密度指标作为通行识别指标，确定密度指标是否表征该车道为异常车道。在车辆密度大于预定车辆密度阈值且车辆数量大于距离车辆阈值的情况下，确定密度指标作为通行识别指标，表征该车道为异常车道，则执行操作S340。否则，执行操作S350。

在操作S340，确定车道为异常车道。

在操作S350，确定子模糊识别结果。

利用不同类型的多个通行识别指标，每个通行识别指标中利用同一类型不同内容的第一识别指标和第二识别指标共同作为参考进行异常车道的识别，由此提高识别精度。

根据本公开的实施例，基于多个车道各自的通行识别指标，从多个车道中确定异常车道，可以包括：在基于多个车道各自的通行识别指标，得到模糊识别结果的情况下，加权求和每个车道的多个通行识别指标，得到每个车道的车道评估结果。模糊识别结果表征未从多个车道中确定异常车道。基于多个车道评估结果，从多个车道中确定异常车道。

以异常路段包括3个车道为例，基于通行识别指标，在确定其中至少一个车道为异常车道的情况下，从多个车道中确定异常车道。在确定模糊识别结果的情况下，可以加权求和每个车道的多个通行识别指标，得到每个车道的车道评估结果。基于多个车道各自的车道评估结果，从多个车道中确定异常车道。例如，将车道评估结果数值最小的确定为异常车道。但是并不局限于此。还可以将车道评估结果小于评估结果阈值的车道确定为异常车道。

图3B示意性示出了根据本公开另一实施例的识别异常车道的示意图。

如图3B所示的操作，是在如图3A所示的操作后执行的。

如图3B所示，在基于多个通行识别指标，得到与异常路段的多个车道310一一对应的多个子模糊识别结果320的情况下，确定得到模糊识别结果。例如，多个车道包括第1车道、……、第L车道，L大于等于1。多个子模糊识别结果包括第1子模糊识别结果、……、第L子模糊识别结果。可以加权求和每个车道的多个通行识别指标，得到每个车道的车道评估结果。多个车道评估结果330可以包括第1车道评估结果、……、第L车道评估结果。

基于多个车道评估结果330，从多个车道中确定异常车道311。

根据本公开的实施例，将通行识别指标和车道评估结果结合的方式，实现了将速度指标、距离指标以及密度指标三类不同类型的指标的联合分析，并构建了动态加权评估的函数，进而突出了双通道决策机制，进而提高了识别的时效性、准确率以及实时预警效果。

根据本公开的实施例，加权求和每个车道的多个通行识别指标，得到每个车道的车道评估结果，可以包括：对多个通行识别指标分别进行归一化操作，得到多个归一化通行参数。对多个归一化通行参数进行加权求和，得到每个车道的车道评估结果。

归一化操作，例如可以包括Z-score归一化操作参见如下公式（1），但是并不局限于此，还可以采用其他的计算方式，只要是能够使得归一化通行参数属于同一量纲即可。

例如，在预设时段内，针对每个车辆采集了N个时刻的车道通行信息，则M个车辆各自的N个车道通行信息，组合为车道通行信息集合。例如车道通行信息集合包括：车辆A的车道通行信息A-T1、……、车道通行信息A-TN、车辆B的车道通行信息B-T1、……、车道通行信息B-TN、……、车辆M的车道通行信息M-T1、……、车道通行信息M-TN。

可以基于上述车道通行信息集合，确定每个不同类型识别指标的均值和标准差。

；公式（1）

其中，X表示通行识别指标。表示通行识别指标的均值。表示通行识别指标的标 准差。表示归一化通行参数。

可选地，每个通行识别指标可以包括第一识别指标和第二识别指标。两种不同类型的识别指标，量纲差异可能较大。利用归一化操作，能够使得归一化通行参数，均为0至1。由此消除量纲不同而带来的误识别影响，由此提高车道评估结果的精度。

根据本公开的可选实施例，在执行加权求和操作之前，路况识别方法还可以包括操作：基于环境信息，对多个通行识别指标的权重进行更新，以便利用更新后的权重执行加权求和操作。

环境信息可以包括天气信息例如能见度、降雨量等，但是并不局限于此，还可以包括时间信息例如节假日、早晚上下班时段等。

可以针对不同的环境信息，对不同类型的通行识别指标的权重进行调整，得到与环境信息相匹配的权重。

例如，在能见度小于50m的天气里，可以调整车辆密度的权重，由W密度更新至1.4W密度。由此强化在能见度低的环境里，车辆密度作为通行识别指标的重要性。

还例如，在降雨量大于30mm/h的天气里，可以调整速度方差的权重，由W速度方差更新至0.6W速度方差，由此抑制速度波动带来的干扰。

还例如，在晚高峰时段，可以调整速度阈值比例的权重。由W速度阈值比例更新至（0.15+W速度阈值比例更新），由此提升缓行场景的灵敏性。

根据环境信息合理调整对应通行识别指标的权重，由此提高加权求和后得到的车道评估结果与实际相匹配，进而提高车道评估结果的识别精度。

示例性地，还可以基于环境信息确定环境指标，对环境指标和通行识别指标进行加权求和，得到车道评估结果。

可以利用下述公式（2），结合环境指标和通行识别指标，确定车道评估结果。

；公式（2）

其中，S表示车道评估结果，k和j分别表示序号，K和J表示序号总数量。表示通 行识别指标的权重，表示通行识别指标，表示通行识别指标的均值，表示通行识别 指标的标准差，表示环境指标加权求和后结果的权重，表示环境指标权重，表示环境 指标。

利用环境指标和通行识别指标结合的方式确定车道评估结果，能够利用通行识别指标，反映长期积累行驶状态规律，此外，利用环境信息可以充分反映当前交通状况的动态变化影响。将环境指标和通行识别指标结合，能够提供全面、动态且有效的车道评估结果。

根据本公开的一实施例，在执行如图2所示的操作S210之前，路况识别方法还可以包括操作：基于拥堵路段的路网拓扑和路网拓扑上多个路段各自的在预设时段内的通行时序信息，确定拥堵路段是否为异常路段。

通行时序信息可以包括预设时段内不同时刻的多个通行信息。与车道通行信息不同的是，通行信息是指路段通行信息，同一路段上多个车道通行信息的总和。

可选地，路网拓扑可以包括边和多个边之间的连接点。边表征路段，连接点表征各个路段彼此之间的连通关系。

可以将通行时序信息作为路网拓扑的边的属性信息，与路网拓扑结合，编码为表征路网拓扑以及通行时序信息的通行特征矩阵。将通行特征矩阵输入至时空图卷积网络（Spatial Temporal Graph Convolutional Networks ST-GCN），得到用于确定拥堵路段是否为异常路段的识别结果。

此外，还可以基于路网拓扑和多个路段各自的通行时序信息，确定预设时段内各个路段的车辆行驶状态在预设时段内的变化情况，由此确定拥堵路段是否正常。例如，T1时刻拥堵路段的通行信息表征车辆向前行驶，且车辆的平均车速为V1，此外，T1时刻与拥堵路段相连的相邻路段的通行信息表征车辆为正常通行状态。T2时刻拥堵路段的通行信息表征车辆的行驶方向转向相邻路段行驶，且车辆的平均车速降为低于V1，此外，T2时刻与拥堵路段相连的相邻路段的通行信息表征车辆的平均车速低于正常通行状态的车速。在此情况下，可以确定该拥堵路段为异常路段。

根据本公开的实施例，基于拥堵路段的路网拓扑和通行时序信息，可以结合时间和空间不同维度的信息来进行分析，由此不仅可提高分析该拥堵路段是否异常，还能够分析该拥堵路段的拥堵状态是否会传播至其他相连路段。由此提高分析全面性和精度。

根据本公开的实施例，在执行如上所述的确定拥堵路段是否为异常路段的操作之前，路况识别方法还可以包括操作：生成路网拓扑以及获取通行时序信息。

根据本公开的实施例，路网拓扑可以通过如下方式生成，例如：基于拥堵路段所处区域的地图和多个路段彼此之间的关联关系，生成以拥堵路段为中心的初始路网拓扑。基于实时获取的通行通知信息，对初始路网拓扑进行更新，得到路网拓扑。

地图包括多个路段的地理位置、关联关系等信息。可以以拥堵路段为中心，以预定半径R为圆画圈，划分出拥堵路段所处区域的地图。可以从地图上提取各路段的长度、多个路段彼此之间的关联关系、连接位置等信息，生成以拥堵路段为中心的由边表征路段、由连接点表征连通关系的初始路网拓扑。

图4示意性示出了根据本公开实施例的生成路网拓扑的示意图。

如图4所示，基于路段上的车辆状态信息，确定路段为拥堵路段。以拥堵路段为中心，结合连通路段，生成由边表征路段、由连接点420表征连通关系的初始路网拓扑400。示例地，边410表征拥堵路段，如图4所示的箭头线的两个箭头端点表征该拥堵路段的两个端部。

可以结合实时获取的通行通知信息，对初始路网拓扑上的边或者连接点进行更新。通行通知信息可以包括道路施工信息、道路临时封闭信息等与道路通行相关的临时性信息。

如图4所示，基于通行通知信息，确定路段封锁，无法通行。则可以在初始路网拓扑400中，将该路段对应的边430以及与该路段相邻的路段对应的边440删除，得到路网拓扑400’。

根据本公开的实施例，利用地图生成初始路网拓扑，能够提高已有地图的利用率，简化路网拓扑的生成难度，此外，结合实时变化的通行通知信息，能够实时动态更新初始路网拓扑，提高路网拓扑的精准性和灵活性。

示例性地，可以对路网拓扑中的表征路段的边添加标识信息，以突出拥堵路段和其他相连通的路段之间的细粒度的连接关系。例如，拥堵路段添加标识信息0，直接连通的路段，添加标识1，依此类推，通过标识1的路段连通的路段添加标识2，直至添加标识至X，X为大于等于3的整数。

利用标识信息，能够提高路网拓扑中多个路段与拥堵路段之间的关联关系，提高空间维度的路网拓扑的细化粒度。

根据本公开的实施例，通行时序信息可以通过如下方式获取。例如，获取路网拓扑上每个路段在预设时段内不同时刻的多个通行信息。按照时序排列得到通行时序信息。

对预设时段不做限定。例如，可以包括5分钟或者6分钟。此外，对预设时段内的多个采集时刻的划分，也不做限定。例如，可以是以等间隔方式划分多个采集时刻，也可以是随机方式划分多个采集时刻。只要是采集到预设时段内不同时刻的多个通行信息即可。

示例性地，预设时段划分的越长，参考性越高，异常路段的识别精度越高。相反地，识别效率越低。兼顾识别精度和处理效率，可设置预设时段为5分钟。

可选地，通行信息包括以下至少一项：车速、车流量、车道占有率、车辆行驶方向。

优选地，通行信息可以包括车速、车流量、车道占有率和车辆行驶方向。通行信息中参考的信息量越多，异常路段识别精度越高。

此外，将多个通行信息按照时序排列，得到通行时序信息，能够显著提高时间维度上车辆的行驶状态随时间的变化趋势，提高异常路段识别精度。

根据本公开的实施例，获取路网拓扑上每个路段在预设时段内不同时刻的多个通行信息，包括：在确定存在缺失信息的时刻的情况下，基于路段的历史时刻的历史通行信息，对缺失信息的时刻进行信息补全。

预设时段例如3月4日15h至15h5min内的通行时序信息可以包括T1时刻的通行信息1、T2时刻的通行信息2、……、TN时刻的通行信息TN。

在确定T3时刻的通行信息3缺失的情况下，可以利用2月4日15h至15h5min内的T3时刻的历史通行信息，作为3月4日15h至15h5min内的T3时刻的通行信息3。但是并不局限于此，还可以利用2月4日15h至15h5min内的T1-T3时刻的平均历史通行信息，作为3月4日15h至15h5min内的T3时刻的通行信息3。只要是能够通过历史通行信息，对缺失信息的时刻进行信息补全即可。

利用历史时刻的历史通行信息，对缺失信息的时刻进行信息补全，能够提高通行时序信息的可参考性，进而提高异常路段的识别精度。

根据本公开的另一实施例，路况识别方法还可以包括如下操作用于识别拥堵路段是否为异常路段。

例如，基于拥堵路段的当前通行信息和参考通行信息，对拥堵路段进行路况识别，得到用于表征拥堵路段是否异常的识别结果。

当前通行信息，为当前时刻的通行信息。

参考通行信息，可以为正常通行状态下的参考信息。参考通行信息与当前通行信息的信息类型相同。

将当前通行信息和参考通行信息进行对比，在当前通行信息与参考通行信息差异较大例如之间的差值大于预设差值阈值时，确定识别结果表征拥堵路段异常。在当前通行信息与参考通行信息之间的差值小于预设差值阈值的情况下，则确定拥堵路段正常。

例如，拥堵路段为重要交通路段，在下班高峰期，会拥堵。则参考通行信息的车辆行驶平均速度为Akm/h。当前通行信息的车辆行驶平均速度为Bkm/h，虽然Bkm/h较小，表征该路段拥堵。但是，当前通行信息Bkm/h与参考通行信息Akm/h之间的差值小于预设差值阈值，则确定该拥堵路段正常。

利用本公开实施例提供的参考通行信息与当前通行信息进行比对，确定拥堵路段是否异常，能够提高识别精度的同时，通过参考通行信息，简化处理手段，提高处理效率。

根据本公开的实施例，路况识别方法还可以包括：生成参考通行信息。

可选地，生成参考通行信息，可以根据与当前时刻不同周期的相同时间点的历史时刻对应的历史通行信息确定。例如，将不同周期的相同时间点的历史时刻的历史通行信息，作为当前时刻的参考通行信息。还可以将不同周期的相同时间点的多个历史时刻的历史通行信息求平均，得到当前时刻的参考通行信息。

当前时刻的不同周期的相同时间点的历史时刻，举例说明可以是：当前时刻为3月4日15h，不同周期的相同时间点的历史时刻可以包括3月3日15h或者3月2日15h。

另一实施例，还可以通过如下方式生成参考通行信息。

例如，基于拥堵路段的与当前时刻相邻的历史时段内的历史通行时序信息和当前时刻的环境信息，确定当前时刻的参考通行信息。

与当前时刻相邻的历史时段，举例说明可以是：当前时刻为3月4日15h，与当前时刻相邻的历史时段可以包括3月4日9h-15h中的任一时段。

利用与当前时刻相邻的历史时段的历史通行时序信息，可以结合历史时序信息预测当前时刻的通行信息，作为参考通行信息。例如，可以将历史通行时序信息输入至通行预测模型中，得到参考通行信息。但是并不局限于此。还可以将历史通行时序信息与当前时刻的环境信息结合，输入至通行预测模型中，得到参考通行信息。

通行预测模型可以包括长短期记忆网络（Long Short-Term Memory，LSTM），但是并不局限于此，还可以包括用于时间序列分析和预测的统计模型（Auto RegressiveIntegrated Moving Average Model，ARIMA）。

参见上述对环境信息的解释，环境信息可以包括降雨量、可见度等天气信息，也可以包括节假日或者交通高峰期等时间信息。结合环境信息作为参考信息，能够考虑如特殊天气、交通管制、道路施工等因素对拥堵现象的影响。

根据本公开实施例提供的生成参考通行信息，可以利用历史通行时序信息，反映周期性规律以及潜在的非线性关系，生成贴近当前实际情况的基准通行信息，此外，利用环境信息可以充分反映当前交通状况的动态变化，体现实时性。将历史通行时序信息和环境信息结合，能够提供全面、动态和精准的参考通行信息，从而提高异常路段识别的准确性和效率。

可选地，可以对上述两种方式择其一来确定拥堵路段是否为异常路段。但是并不局限于此。还可以将两种方式结合，确定拥堵路段是否为异常路段。结合方式可以包括并列确定或者顺序确定。采用并列确定，可以同时计算，得到两个结果，在两个结果任一表征异常的情况下，确定拥堵路段异常。采用顺序确定，对执行顺序不做限定，只要在两个结果任一表征异常的情况下，确定拥堵路段异常。

上述两个实施例均是对如何确定拥堵路段是否为异常路段的说明。在确定拥堵路段为异常路段的情况下，从异常路段的多个车道中确定异常车道。

本公开实施例还提供一种异常车道的确定方式，则直接确定多个车道中是否存在异常车道。

例如，在执行如图2所示的路况识别方法的操作S210之前，可以执行下述操作：响应于接收到通过导航界面发送的异常车道反馈信息。在多个异常车道反馈信息均表征车道为异常车道的情况下，确定车道为异常车道。

异常车道反馈信息，可以包括车道位置、车道存在异常的标识以及异常原因等。

服务器端可以通过导航应用程序接收用户通过导航界面发送的异常车道反馈信息。在接收到针对同一车道的多个异常车道反馈信息，且均表征车道为异常车道的情况下，可以直接确定该车道为异常车道。

利用用户反馈的异常车道反馈信息，直接确定车道是否为异常车道，直接、有效、快速且精准。

可选地，可以在接收到单一异常车道反馈信息的情况下，基于异常车道反馈信息中的异常车道的位置信息，对该车道进行路况识别，以降低数据处理量。

图5示意性示出了根据本公开实施例的路径规划方法的流程图。

如图5所示，该方法包括操作S510至操作S520。

在操作S510，在确定车辆处于异常路段的情况下，更新导航界面的导航信息至车道级导航信息。

在操作S520，添加用于表征异常路段中的异常车道的标识信息。

示例性地，异常车道是通过如上所述的路况识别方法确定的。

导航信息可以包括在地图上标识的路段线和行驶方向。车道级导航信息，可以指导航界面上的地图细化至车道级别，则显示有车道宽度和车道标识线。利用车道级导航信息进行导航，能够通过表征异常路段中的异常车道的标识信息，提醒驾驶员及时规避异常车道，绕行导致异常拥堵原因的障碍物。

及时且准确的异常车道识别并将其更新至导航界面，能够为用户提供及时、可靠的车道级导航信息，帮助用户规划最佳行驶路线，使驾驶员提前规避异常车道，降低因视线遮挡或反应延迟导致的追尾概率，保障交通安全。

图6示意性示出了根据本公开实施例的更新导航界面的状态变化图。

如图6所示，在正常路段行驶的情况下，导航界面600显示导航信息610，可以标识行驶方向以及路段线。在确定车辆处于异常路段的情况下，可以更新导航界面的导航信息至车道级导航信息620，可以展示有路段的多个车道，每个车道的宽度以及车道分界线等，此外，还可以展示有车辆所处车道。另外，可以在导航界面上添加用于表征异常车道和正常车道的标识信息630。正常车道可以标识“对号”的标识信息。异常车道可以标识“叉号”的标识信息。由此提高异常车道的预警能力，提醒驾驶员及时变道。

图7示意性示出了根据本公开实施例的路况识别装置的框图。

如图7所示，路况识别装置700可以包括集合获取模块710、指标识别模块720以及第一车道识别模块730。

集合获取模块710，用于获取异常路段上多个车道各自的车道通行信息集合。

指标识别模块720，用于基于车道通行信息集合，确定用于识别异常车道的通行识别指标，其中，通行识别指标包括以下至少一项：速度指标、距离指标以及密度指标。

第一车道识别模块730，用于基于多个车道各自的通行识别指标，从多个车道中确定异常车道。

根据本公开的实施例，指标识别模块包括：第一指标识别子模块以及第二指标识别子模块。

第一指标识别子模块，用于基于车道通行信息集合，确定用于指示平均车道通行信息的第一识别指标和用于指示车道通行信息集合中信息的离散程度的第二识别指标。

第二指标识别子模块，用于基于第一识别指标和第二识别指标，得到通行识别指标。

根据本公开的实施例，第一识别指标包括以下至少一项：速度中位数、车辆距离异常路段端部的平均距离、车辆数量。第二识别指标包括以下至少一项：速度方差、车辆距离异常路段端部的距离方差、车辆密度。

根据本公开的实施例，每个车道的通行识别指标包括多个。

根据本公开的实施例，第一车道识别模块包括：第一车道识别子模块。

第一车道识别子模块，用于针对每个车道，在多个通行识别指标均表征车道为异常车道的情况下，确定车道为异常车道。

根据本公开的实施例，第一车道识别模块包括：第二车道识别子模块以及第三车道识别子模块。

第二车道识别子模块，用于在基于多个车道各自的多个通行识别指标，得到模糊识别结果的情况下，加权求和每个车道的多个通行识别指标，得到每个车道的车道评估结果。模糊识别结果表征未从多个车道中确定异常车道。

第三车道识别子模块，用于基于多个车道评估结果，从多个车道中确定异常车道。

根据本公开的实施例，第二车道识别子模块包括：归一化单元以及求和单元。

归一化单元，用于对多个通行识别指标分别进行归一化操作，得到多个归一化通行参数；

求和单元，用于对多个归一化通行参数进行加权求和，得到每个车道的车道评估结果。

根据本公开的实施例，路况识别装置还包括：权重更新模块。

环境更新模块，用于基于环境信息，对多个通行识别指标的权重进行更新，以便利用更新后的权重执行加权求和操作。

根据本公开的实施例，路况识别装置还包括：第一路段识别模块。

第一路段识别模块，用于基于拥堵路段的路网拓扑和路网拓扑上多个路段各自的在预设时段内的通行时序信息，确定拥堵路段是否为异常路段。

根据本公开的实施例，路况识别装置还包括：第一拓扑生成模块和第二拓扑生成模块。

第一拓扑生成模块，用于基于拥堵路段所处区域的地图和多个路段彼此之间的关联关系，生成以拥堵路段为中心的初始路网拓扑。

第二拓扑生成模块，用于基于实时获取的通行通知信息，对初始路网拓扑进行更新，得到路网拓扑。

根据本公开的实施例，路况识别装置还包括：信息获取模块以及排序模块。

信息获取模块，用于获取路网拓扑上每个路段在预设时段内不同时刻的多个通行信息。

排序模块，用于按照时序排列得到通行时序信息。通行信息包括以下至少一项：车速、车流量、车道占有率、车辆行驶方向。

根据本公开的实施例，信息获取模块包括：补全子模块。

补全子模块，用于在确定存在缺失信息的时刻的情况下，基于路段的历史时刻的历史通行信息，对缺失信息的时刻进行信息补全。

根据本公开的实施例，路况识别装置还包括：第二路段识别模块。

第二路段识别模块，用于基于拥堵路段的当前通行信息和参考通行信息，对拥堵路段进行路况识别，得到用于表征拥堵路段是否异常的识别结果。

根据本公开的实施例，路况识别装置还包括：参考确定模块。

参考确定模块，用于基于拥堵路段的与当前时刻相邻的历史时段内的历史通行时序信息和当前时刻的环境信息，确定当前时刻的参考通行信息。

根据本公开的实施例，路况识别装置还包括：响应模块以及第二车道识别模块。

响应模块，用于响应于接收到通过导航界面发送的异常车道反馈信息。

第二车道识别模块，用于在多个异常车道反馈信息均表征车道为异常车道的情况下，确定车道为异常车道。

图8示意性示出了根据本公开实施例的路径规划装置的框图。

如图8所示，路径规划装置800包括：导航更细模块810以及标识模块820。

导航更新模块810，用于在确定车辆处于异常路段的情况下，更新导航界面的导航信息至车道级导航信息。

标识模块820，用于添加用于表征异常路段中的异常车道的标识信息。

异常车道是通过路况识别装置确定的。

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。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。

根据本公开的实施例，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，计算机指令用于使计算机执行如上所述的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。

图9示出了可以用来实施本公开的实施例的示例电子设备900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、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。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、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9所示，设备900包括计算单元901，其可以根据存储在只读存储器（ROM）902中的计算机程序或者从存储单元908加载到随机访问存储器（RAM）903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出（I/O）接口905也连接至总线904。

设备900中的多个部件连接至输入/输出（I/O）接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如路况识别和路径规划方法。例如，在一些实施例中，路况识别和路径规划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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的路况识别和路径规划方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行路况识别和路径规划方法。

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，也可以是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 (20)

1.一种路况识别方法，包括：

获取异常路段上多个车道各自的车道通行信息集合；

基于所述车道通行信息集合，确定用于识别异常车道的通行识别指标，其中，所述通行识别指标包括以下至少一项：速度指标、距离指标以及密度指标；以及

基于多个所述车道各自的所述通行识别指标，从多个所述车道中确定异常车道。

2.根据权利要求1所述的方法，其中，所述基于所述车道通行信息集合，确定用于识别异常车道的通行识别指标，包括：

基于所述车道通行信息集合，确定用于指示平均车道通行信息的第一识别指标和用于指示所述车道通行信息集合中信息的离散程度的第二识别指标；

基于所述第一识别指标和所述第二识别指标，得到所述通行识别指标。

3.根据权利要求2所述的方法，其中，所述第一识别指标包括以下至少一项：速度中位数、车辆距离所述异常路段端部的平均距离、车辆数量；

所述第二识别指标包括以下至少一项：速度方差、车辆距离所述异常路段端部的距离方差、车辆密度。

4.根据权利要求1至3中任一项所述的方法，其中，每个所述车道的所述通行识别指标包括多个；

所述基于多个所述车道各自的所述通行识别指标，从多个所述车道中确定异常车道，包括：

针对每个所述车道，在多个所述通行识别指标均表征所述车道为异常车道的情况下，确定所述车道为异常车道。

5.根据权利要求4所述的方法，其中，所述基于多个所述车道各自的所述通行识别指标，从多个所述车道中确定异常车道，包括：

在基于多个所述车道各自的多个所述通行识别指标，得到模糊识别结果的情况下，加权求和每个所述车道的多个所述通行识别指标，得到每个所述车道的车道评估结果，其中，所述模糊识别结果表征未从多个所述车道中确定所述异常车道；以及

基于多个所述车道评估结果，从多个所述车道中确定所述异常车道。

6.根据权利要求5所述的方法，其中，所述加权求和每个所述车道的多个所述通行识别指标，得到每个所述车道的车道评估结果，包括：

对多个所述通行识别指标分别进行归一化操作，得到多个归一化通行参数；

对多个所述归一化通行参数进行加权求和，得到每个所述车道的车道评估结果。

7.根据权利要求5或6所述的方法，还包括：

基于环境信息，对多个所述通行识别指标的权重进行更新，以便利用更新后的权重执行加权求和操作。

8.根据权利要求1至7中任一项所述的方法，还包括：

基于拥堵路段的路网拓扑和所述路网拓扑上多个路段各自的在预设时段内的通行时序信息，确定所述拥堵路段是否为所述异常路段。

9.根据权利要求8所述的方法，还包括：

基于所述拥堵路段所处区域的地图和多个路段彼此之间的关联关系，生成以所述拥堵路段为中心的初始路网拓扑；以及

基于实时获取的通行通知信息，对所述初始路网拓扑进行更新，得到所述路网拓扑。

10.根据权利要求8或9所述的方法，还包括：

获取所述路网拓扑上每个所述路段在预设时段内不同时刻的多个通行信息；以及

按照时序排列得到所述通行时序信息；

其中，所述通行信息包括以下至少一项：

车速、车流量、车道占有率、车辆行驶方向。

11.根据权利要求10所述的方法，其中，所述获取所述路网拓扑上每个所述路段在预设时段内不同时刻的多个通行信息，包括：

在确定存在缺失信息的时刻的情况下，基于所述路段的历史时刻的历史通行信息，对缺失信息的时刻进行信息补全。

12.根据权利要求1至7中任一项所述的方法，还包括：

基于所述拥堵路段的当前通行信息和参考通行信息，对所述拥堵路段进行路况识别，得到用于表征所述拥堵路段是否异常的识别结果。

13.根据权利要求12所述的方法，还包括：

基于所述拥堵路段的与当前时刻相邻的历史时段内的历史通行时序信息和当前时刻的环境信息，确定当前时刻的所述参考通行信息。

14.根据权利要求1至11中任一项所述的方法，还包括：

响应于接收到通过导航界面发送的异常车道反馈信息；以及

在多个所述异常车道反馈信息均表征所述车道为异常车道的情况下，确定所述车道为所述异常车道。

15.一种路径规划方法，包括：

在确定车辆处于所述异常路段的情况下，更新导航界面的导航信息至车道级导航信息，并添加用于表征所述异常路段中的异常车道的标识信息；

其中，所述异常车道是通过如权利要求1至14中任一项所述的路况识别方法确定的。

16.一种路况识别装置，包括：

集合获取模块，用于获取异常路段上多个车道各自的车道通行信息集合；

指标识别模块，用于基于所述车道通行信息集合，确定用于识别异常车道的通行识别指标，其中，所述通行识别指标包括以下至少一项：速度指标、距离指标以及密度指标；以及

第一车道识别模块，用于基于多个所述车道各自的所述通行识别指标，从多个所述车道中确定异常车道。

17.一种路径规划装置，包括：

导航更新模块，用于在确定车辆处于所述异常路段的情况下，更新导航界面的导航信息至车道级导航信息；以及

标识模块，用于添加用于表征所述异常路段中的异常车道的标识信息；

其中，所述异常车道是通过如权利要求16所述的路况识别装置确定的。

18.一种电子设备，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至15中任一项所述的方法。

19.一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所述计算机执行根据权利要求1至15中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至15中任一项所述的方法。