一种通行效率信息检测的方法以及装置与流程
本申请涉及大数据技术领域，具体而言，涉及一种通行效率信息检测的方法以及装置。
背景技术：
随着城市车辆越来越多，交通低效问题成为当前人们关注的热点问题之一。发现交通低效原因，是缓解交通低效问题的前提。发生交通拥堵的位置一般是在道路路口。当道路路口绿灯启亮后，对应方向的车辆理应顺畅地驶离停车线，并通过路口。若车辆位于停车线之后，但路口内部仍然行驶缓慢，会验证影响路口的通行效率，从而造成交通的通行低效状态。
当前一般采用人工现场判断的方法来确定交通路口通行效率信息，这种方法耗时久，效率低，且由于是人工进行判断，只能基于当前时刻的路口交通状况进行判断，判断的准确度也比较低。
技术实现要素：
有鉴于此，本申请实施例的目的在于提供一种通行效率信息检测的方法以及装置，能够基于车辆轨迹数据以及下游路口交通状况检测路口的通行效率信息，较之人工判断，耗时短，效率高，且判断的准确率也高。
第一方面，本申请实施例提供了一种通行效率信息检测的方法，包括：
获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息；
根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值；
将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可选实施方式中，所述通行效率信息包括指示通行低效的信息和通行低效原因；或者，指示通行高效的信息和通行高效原因。
一种可选实施方式中，所述通行效率影响特征包括：路况特征、道路特征以及时间特征中一种或者多种。
一种可选实施方式中，针对所述通行效率影响特征包括路况特征、道路特征的情况，所述方法还包括：
获取在所述待检测时间段之前的历史检测时间段驶过所述目标路口的历史车辆轨迹数据；
所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，包括：
根据所述目标车辆轨迹数据生成所述目标路口在路况特征下的第一特征值，根据所述历史车辆轨迹数据生成所述目标路口在所述路况特征下的第二特征值，以及根据所述路口信息，生成所述目标路口在道路特征下的第三特征值；
所述将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，包括：
将所述第一特征值、所述第二特征值以及所述第三特征值输入至预先训练的所述通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可选实施方式中，针对所述通行效率影响特征包括路况特征、道路特征以及时间特征的情况，
该方法还包括：获取所述目标路口在时间特征下的第四特征值；
所述将所述第一特征值、所述第二特征值以及所述第三特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，包括：
将所述第一特征值、所述第二特征值、所述第三特征值以及所述第四特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可选实施方式中，所述路况特征包括：路口内车流速度、路口下游路段的车流速度、路口下游路段停车覆盖率中一种或者多种。
一种可选实施方式中，所述道路特征包括：转弯半径、路口坡度、路口视距、路口停车线的数量、路口出口车道宽度、距离路口出口最近的道路入口与路口的距离、距离路口出口最近的公交车站与路口的距离、距离路口出口最近的公交车站停靠的公交车的数量中一种或者多种。
一种可选实施方式中，所述时间特征包括：所述待检测时间段对应的日期、所述待检测时间段是否为交通高峰、所述待检测时间段对应的星期数，所述待检测时间段是否为节假日、所述待检测时间段对应的月份数中一种或者多种。
一种可选实施方式中，针对所述路况特征包括路口内车流速度的情况：
采用下述方式获取所述路口内车流速度：
根据各个车辆的目标车辆轨迹数据，计算每辆所述目标车辆驶过所述目标路口的速度，以及驶过所述目标路口的驶入时间和驶出时间；
将各个车辆驶过所述目标路口的速度、驶入时间和驶出时间进行拟合，获取所述路口内车流速度。
一种可选实施方式中，所述目标车辆轨迹数据包括：多个定位点的位置信息，以及与每个定位点对应的定位时间；
根据各个车辆的目标车辆轨迹数据，计算每辆车辆驶过所述目标路口的速度，包括：
针对每辆车辆，执行：
根据每相邻的两个定位点的位置信息，计算每相邻的两个定位点之间的距离；
根据每相邻的两个定位点的定位时间，计算每两个定位点的时间差；
根据所述距离以及所述时间差，计算每相邻的两个定位点对应的暂时速度；
基于各个所述暂时速度，计算该车辆驶过所述目标路口的速度。
一种可选实施方式中，所述目标车辆轨迹数据包括：多个定位点的位置信息，以及与每辆定位点对应的定位时间；
根据各个车辆的目标车辆轨迹数据，计算每辆所述目标车辆驶过所述目标路口的驶入时间和使出时间，包括：
根据各个所述定位点的位置信息以及所述目标路口的区域范围，从各个所述定位点中确定驶入定位点以及驶出定位点；
根据所述驶入定位点对应的定位时间确定所述驶入时间，以及根据所述驶出定位点的定位时间确定所述驶出时间。
一种可选实施方式中，针对所述路况特征包括路口下游路段的车流速度的情况，采用下述方式获取所述路口下游路段在所述待检测时间段的车流速度：
获取在待检测时间段驶过目标路口下游路段的车辆的下游车辆轨迹数据；
根据所述下游车辆轨迹数据，生成所述路口下游路段的车流速度。
一种可选实施方式中，采用下述方式训练得到所述通行效率信息检测模型：
获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息；
根据所述样本车辆轨迹数据，以及所述样本路口信息，生成各个所述样本路口在所述通行效率影响特征下的样本特征值；
以各个所述样本路口在所述通行效率影响特征下的样本特征值作为决策树模型的输入特征值，以各个样本路口对应的样本通行效率信息作为所述决策树模型的输出特征值，构建决策树模型，并将构建好的所述决策树模型作为所述通行效率信息检测模型。
一种可选实施方式中，采用下述方式训练得到所述通行效率信息检测模型：
获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、所述样本时间段对应的样本历史检测时间段驶过所述样本路口的样本历史车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息；
根据所述样本车辆轨迹数据生成所述样本路口在路况特征下的第一样本特征值，根据所述样本历史车辆轨迹数据生成所述样本路口在所述路况特征下的第二样本特征值，以及根据所述路口信息，生成所述样本路口在路况特征下的第三样本特征值；
将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果；
根据所述样本通行低效检测结果以及所述样本通行效率信息，训练所述基础预测模型，将训练后的所述基础预测模型作为所述通行效率信息检测模型。
一种可选实施方式中，所述基础预测模型包括：第一神经网络、第二神经网络以及第三神经网络；
所述将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果包括：
针对每个所述样本路口，执行：
将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量；
将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量；
以及将由所述第三样本特征值构成的第三样本特征向量输入至所述第二神经网络中，获取第三中间样本特征向量；
将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量；
将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
一种可选实施方式中，还包括：获取在时间特征下的第四样本特征值；
将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果，包括：
将所述第一样本特征值、所述第二样本特征值、第三样本特征值以及所述第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果。
一种可选实施方式中，所述基础预测模型包括：第一神经网络、第二神经网络以及第三神经网络；
将所述第一样本特征值、所述第二样本特征值、第三样本特征值以及所述第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果，包括：
针对每个所述样本路口，执行：
将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量；
将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量；
以及将由所述第三样本特征值构成的第三样本特征向量和所述第四样本特征值构成的第四样本特征向量进行拼接后，输入至所述第二神经网络中，获取第三中间样本特征向量；
将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量；
将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
一种可选实施方式中，所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值之前，还包括：
根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态；
所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，包括：
在检测到所述目标路口处于通行低效状态后，根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
一种可选实施方式中，所述根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态，包括：
根据所述目标车辆轨迹数据，获取所述目标路口在所述待检测时间段的路口内速度；
检测所述参考速度与所述路口内速度的速度差是否大于预设的第一速度差阈值，以及检测所述路口内速度是否小于预设的第一速度阈值；
以及，判断所述参考速度是否小于预设的第二速度阈值；
若检测到所述参考速度与所述路口内速度的速度差大于预设的第一速度差阈值以及所述路口内速度小于预设的第二速度阈值，或者，所述参考速度小于预设的第一速度阈值，则确定所述目标路口处于通行低效状态。
一种可选实施方式中，所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值之前，还包括：
根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态；
所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，包括：
在检测到所述目标路口处于通行高效状态后，根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
一种可选实施方式中，根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态，包括：
检测所述参考速度与所述路口内速度的速度差是否小于预设的第二速度差阈值，以及检测所述路口内速度是否大于预设的第三速度阈值；
若检测到所述参考速度与所述路口内速度的速度差小于预设的第二速度差阈值以及所述路口内速度大于预设的第三速度阈值，则确定所述目标路口处于通行高效状态。
一种可选实施方式中，该方法还包括：根据驶过所述目标路口的多辆车辆的目标车辆轨迹数据，确定所述目标路口的所述路口内部区域；
所述获取在所述待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，包括：
获取在所述待检测时间段驶过目标路口的路口内部区域的车辆的目标车辆轨迹数据。
一种可选实施方式中，采用下述方式确定所述参考速度：
获取在参考时间段内驶过所述目标路口的车辆的参考车辆轨迹数据；
根据所述参考车辆轨迹数据，确定所述目标路口对应的参考速度。
一种可选实施方式中，所述获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，包括：
针对所述目标路口的各个道路方向，获取在待检测时间段驶过该道路方向的车辆的目标车辆轨迹数据；
根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，包括：
根据在待检测时间段驶过各个道路方向的车辆的目标车辆轨迹数据，生成各个所述道路方向在通行效率影响特征下的特征值；
将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，包括：
将各个所述道路方向在通行效率影响特征下的特征值，输入至预先训练的通行效率信息检测模型中，获取与各个道路方向对应的通行效率信息。
第二方面，本申请实施例还提供一种通行效率信息检测的装置，包括：
数据获取模块，用于获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息；
特征生成模块，用于根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值；
结果获取模块，用于将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可选实施方式中，所述通行效率信息包括指示通行低效的信息和通行低效原因；或者，指示通行高效的信息和通行高效原因。
一种可选实施方式中，所述通行效率影响特征包括：路况特征、道路特征以及时间特征中一种或者多种。
一种可选实施方式中，针对所述通行效率影响特征包括路况特征、道路特征的情况，
所述数据获取模块还用于：获取在所述待检测时间段之前的历史检测时间段驶过所述目标路口的历史车辆轨迹数据；
所述特征生成模块，具体用于：根据所述目标车辆轨迹数据生成所述目标路口在路况特征下的第一特征值，根据所述历史车辆轨迹数据生成所述目标路口在所述路况特征下的第二特征值，以及根据所述路口信息，生成所述目标路口在道路特征下的第三特征值；
所述结果获取模块，具体用于：将所述第一特征值、所述第二特征值以及所述第三特征值输入至预先训练的所述通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可选实施方式中，针对所述通行效率影响特征包括路况特征、道路特征以及时间特征的情况，
所述特征生成模块，还用于：获取所述目标路口在时间特征下的第四特征值；
所述结果获取模块，具体用于：将所述第一特征值、所述第二特征值、所述第三特征值以及所述第四特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可选实施方式中，所述路况特征包括：路口内车流速度、路口下游路段的车流速度、路口下游路段停车覆盖率中一种或者多种。
一种可选实施方式中，所述道路特征包括：转弯半径、路口坡度、路口视距、路口停车线的数量、路口出口车道宽度、距离路口出口最近的道路入口与路口的距离、距离路口出口最近的公交车站与路口的距离、距离路口出口最近的公交车站停靠的公交车的数量中一种或者多种。
一种可选实施方式中，所述时间特征包括：所述待检测时间段对应的日期、所述待检测时间段是否为交通高峰、所述待检测时间段对应的星期数，所述待检测时间段是否为节假日、所述待检测时间段对应的月份数中一种或者多种。
一种可选实施方式中，针对所述路况特征包括路口内车流速度的情况：
所述特征生成模块，用于采用下述方式获取所述路口内车流速度：
根据各个车辆的目标车辆轨迹数据，计算每辆所述目标车辆驶过所述目标路口的速度，以及驶过所述目标路口的驶入时间和驶出时间；
将各个车辆驶过所述目标路口的速度、驶入时间和驶出时间进行拟合，获取所述路口内车流速度。
一种可选实施方式中，所述目标车辆轨迹数据包括：多个定位点的位置信息，以及与每个定位点对应的定位时间；
所述特征生成模块，用于采用下述方式根据各个车辆的目标车辆轨迹数据，计算每辆车辆驶过所述目标路口的速度：
针对每辆车辆，执行：
根据每相邻的两个定位点的位置信息，计算每相邻的两个定位点之间的距离；
根据每相邻的两个定位点的定位时间，计算每两个定位点的时间差；
根据所述距离以及所述时间差，计算每相邻的两个定位点对应的暂时速度；
基于各个所述暂时速度，计算该车辆驶过所述目标路口的速度。
一种可选实施方式中，所述目标车辆轨迹数据包括：多个定位点的位置信息，以及与每辆定位点对应的定位时间；
所述特征生成模块，用于采用下述方式根据各个车辆的目标车辆轨迹数据，计算每辆所述目标车辆驶过所述目标路口的驶入时间和使出时间：
根据各个所述定位点的位置信息以及所述目标路口的区域范围，从各个所述定位点中确定驶入定位点以及驶出定位点；
根据所述驶入定位点对应的定位时间确定所述驶入时间，以及根据所述驶出定位点的定位时间确定所述驶出时间。
一种可选实施方式中，针对所述路况特征包括路口下游路段的车流速度的情况，
所述特征生成模块，用于采用下述方式获取所述路口下游路段在所述待检测时间段的车流速度：
获取在待检测时间段驶过目标路口下游路段的车辆的下游车辆轨迹数据；
根据所述下游车辆轨迹数据，生成所述路口下游路段的车流速度。
一种可选实施方式中，还包括：第一模型训练模块，用于采用下述方式训练得到所述通行效率信息检测模型：
获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息；
根据所述样本车辆轨迹数据，以及所述样本路口信息，生成各个所述样本路口在所述通行效率影响特征下的样本特征值；
以各个所述样本路口在所述通行效率影响特征下的样本特征值作为决策树模型的输入特征值，以各个样本路口对应的样本通行效率信息作为所述决策树模型的输出特征值，构建决策树模型，并将构建好的所述决策树模型作为所述通行效率信息检测模型。
一种可选实施方式中，还包括：第二模型训练模块，用于用于采用下述方式训练得到所述通行效率信息检测模型：
获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、所述样本时间段对应的样本历史检测时间段驶过所述样本路口的样本历史车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息；
根据所述样本车辆轨迹数据生成所述样本路口在路况特征下的第一样本特征值，根据所述样本历史车辆轨迹数据生成所述样本路口在所述路况特征下的第二样本特征值，以及根据所述路口信息，生成所述样本路口在路况特征下的第三样本特征值；
将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果；
根据所述样本通行低效检测结果以及所述样本通行效率信息，训练所述基础预测模型，将训练后的所述基础预测模型作为所述通行效率信息检测模型。
一种可选实施方式中，所述基础预测模型包括：第一神经网络、第二神经网络以及第三神经网络；
所述第二模型训练模块，用于采用下述方式将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果：
针对每个所述样本路口，执行：
将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量；
将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量；
以及将由所述第三样本特征值构成的第三样本特征向量输入至所述第二神经网络中，获取第三中间样本特征向量；
将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量；
将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
一种可选实施方式中，所述第二模型训练模块，还用于：获取在时间特征下的第四样本特征值；
所述第二模型训练模块，用于采用下述方式将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果：
将所述第一样本特征值、所述第二样本特征值、第三样本特征值以及所述第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果。
一种可选实施方式中，所述基础预测模型包括：第一神经网络、第二神经网络以及第三神经网络；
所述第二模型训练模块，用于采用下述方式将所述第一样本特征值、所述第二样本特征值、第三样本特征值以及所述第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果：
针对每个所述样本路口，执行：
将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量；
将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量；
以及将由所述第三样本特征值构成的第三样本特征向量和所述第四样本特征值构成的第四样本特征向量进行拼接后，输入至所述第二神经网络中，获取第三中间样本特征向量；
将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量；
将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
一种可选实施方式中，还包括：通行效率确定模块，在所述特征生成模块根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值之前，用于：
根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态；
所述特征生成模块，具体用于：在检测到所述目标路口处于通行低效状态后，根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
一种可选实施方式中，所述通行效率确定模块，具体用于采用下述方式根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态：
根据所述目标车辆轨迹数据，获取所述目标路口在所述待检测时间段的路口内速度；
检测所述参考速度与所述路口内速度的速度差是否大于预设的第一速度差阈值，以及检测所述路口内速度是否小于预设的第一速度阈值；
以及，判断所述参考速度是否小于预设的第二速度阈值；
若检测到所述参考速度与所述路口内速度的速度差大于预设的第一速度差阈值以及所述路口内速度小于预设的第二速度阈值，或者，所述参考速度小于预设的第一速度阈值，则确定所述目标路口处于通行低效状态。
一种可选实施方式中，该装置还包括：内部区域确定模块，用于根据驶过所述目标路口的多辆车辆的目标车辆轨迹数据，确定所述目标路口的所述路口内部区域；
所述数据获取模块，具体用于：获取在所述待检测时间段驶过目标路口的路口内部区域的车辆的目标车辆轨迹数据。
一种可选实施方式中，所述通行效率确定模块，具体用于采用下述方式确定所述参考速度：
获取在参考时间段内驶过所述目标路口的车辆的参考车辆轨迹数据；
根据所述参考车辆轨迹数据，确定所述目标路口对应的参考速度。
一种可选实施方式中，还包括：第二通行效率确定模块，在所述特征生成模块根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值之前，用于：
根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态；
所述特征生成模块，具体用于：在检测到所述目标路口处于通行高效状态后，根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
一种可选实施方式中，所述第二通行效率确定模块，用于采用下述方式根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态：
检测所述参考速度与所述路口内速度的速度差是否小于预设的第二速度差阈值，以及检测所述路口内速度是否大于预设的第三速度阈值；
若检测到所述参考速度与所述路口内速度的速度差小于预设的第二速度差阈值以及所述路口内速度大于预设的第三速度阈值，则确定所述目标路口处于通行高效状态。
一种可选实施方式中，所述数据获取模块，具体用于：针对所述目标路口的各个道路方向，获取在待检测时间段驶过该道路方向的车辆的目标车辆轨迹数据；
所述特征生成模块，具体用于：根据在待检测时间段驶过各个道路方向的车辆的目标车辆轨迹数据，生成各个所述道路方向在通行效率影响特征下的特征值；
所述结果获取模块，具体用于：将各个所述道路方向在通行效率影响特征下的特征值，输入至预先训练的通行效率信息检测模型中，获取与各个道路方向对应的通行效率信息。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的第一方面中任一种可能的实施方式中的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
本申请实施例获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及目标路口的路口信息，并根据目标车辆轨迹数据以及路口信息生成目标路口在通行效率影响特征下的特征值，然后将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，较之现有技术中通过人工现场判断的方法来确定交通路口通行效率信息的方式，耗时更短，效率更高，且准确度也更高。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例一所提供的一种通行效率信息检测的方法的流程图；
图2示出了本申请实施例一所提供的通行效率信息检测的方法中，获取路口内车流速度的具体方式的流程图；
图3示出了本申请实施例一所提供的通行效率信息检测的方法中，获取路口下游路段的车流速度的具体方式的流程图；
图4示出了本申请实施例一所提供的通行效率信息检测的方法中，获取路口下游路段的停车覆盖率的具体方式的流程图；
图5示出了本申请实施例一所提供的通行效率信息检测的方法中，训练得到通行效率信息检测模型的具体方式的流程图；
图6示出了本申请实施例二所提供的另一种通行效率信息检测的方法的流程图；
图7示出了本申请实施例二所提供的通行效率信息检测的方法中，确定目标路口的参考速度的具体方法的流程图；
图8示出了本申请实施例二所提供的通行效率信息检测的方法中，确定目标路口是否处于通行低效状态的具体方法的流程图；
图9示出了本申请实施例三所提供的另一种通行效率信息检测的方法的流程图；
图10示出了本申请实施例三所提供的通行效率信息检测的方法中，确定目标路口是否处于通行高效状态的具体方法的流程图；
图11示出了本申请实施例四所提供的另一种通行效率信息检测的方法的流程图；
图12示出了本申请实施例五所提供的一种通行效率信息检测的方法的流程图；
图13示出了本申请实施例五所提供的通行效率信息检测的方法中，一种训练得到通行效率信息检测模型的具体方式的流程图；
图14示出了本申请实施例五所提供的通行效率信息检测的方法中，获取与各个样本路口对应的样本通行低效检测结果的具体方式的流程图；
图15示出了本申请实施例五所提供的通行效率信息检测的方法中，另一种获取与各个样本路口对应的样本通行低效检测结果的具体方式的流程图；
图16示出了本申请实施例六所提供的另一种通行效率信息检测的方法的流程图；
图17示出了本申请实施七所提供的一种通行效率信息检测的装置的示意图；
图18示出了本申请实施例八所提供的一种电子设备180的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种通行效率信息检测的方法进行详细介绍，本申请实施例所提供的通行效率信息检测的方法的执行主体一般为具有运算能力的电子设备。
实施例一
参见图1所示，为本申请实施例一提供的通行效率信息检测的方法的流程图，所述方法包括步骤s101～s103，其中：
s101：获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息。
在具体实施中，待检测时间段可以有一个，也可以有多个。本申请实施例中的待检测时间段，可以根据实际的需要进行具体设定；例如将每天的7:00～10:00、10:00～14:00、14:00～17:00、17:00～20:00、20:00～22:00分别设为待检测时间段。针对同一目标路口，可以针对各个待检测时间段，分别获取与该待检测时间段对应的通行效率信息。
具体地，本申请实施例中所述通行效率信息包括：指示通行低效的信息和通行低效原因；或者，指示通行高效的信息和通行高效原因。
目标车辆轨迹数据，是指在待检测时间段驶过目标路口的车辆的轨迹数据。
在一些实施例中，目标路口通常由两部分构成：路口内部区域，以及除路口内部区域外的其他区域。
其中，路口内部区域包括：路口进口车道停车线与出口车道起点线之间的范围。
一般地，目标路口对应的目标车辆轨迹数据，可以是车辆在驶过路口内部区域的车辆轨迹数据，也可以是车辆驶过路口内部区域以及驶过与目标路口连接的道路的轨迹数据。
当目标路口对应的目标车辆轨迹数据仅包括车辆驶过路口内部区域的车辆轨迹数据时，本申请另一实施例中，在执行s101之前，还包括：根据驶过目标路口的多辆车辆的车辆轨迹数据，确定所述目标路口的路口内部区域。
此时，驶过目标路口的多辆车辆的车辆轨迹数据包括车辆驶过路口内部区域以及驶过与目标路口连接的道路的轨迹数据，然后基于该车辆轨迹数据，确定在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据。
这里需要注意的是，确认目标路口内部区域的车辆轨迹数据对应的多辆车辆，可以与确定目标车辆轨迹数据的车辆相同，也可以不同。
且在多次获取目标路口的通行效率信息时，目标路口的路口内部区域确定一次即可。
在确定目标路口的路口内部区域时，能够将路口内部区域标注出来，所获取的目标车辆轨迹数据的起点，落在路口进口车道停车线上，且目标车辆轨迹数据的终点，落在路口出口车道的起点线上。
另外，还可以直接从交通管理部门，或者城市规划建设相关部门获取目标路口的路口内部区域的相关信息。
通行效率除了受到交通本身影响外，还受到路口的相关设施的影响。因此，本申请实施里中，还会获得目标路口的路口信息。
目标路口的路口信息是目标路口的相关设施信息，例如目标路口的道路方向，与各个道路方向对应的出口的宽度、路口的坡度、视距、路口停车线的数量、信号灯配时、与目标路由下游最近的另一路口之间的距离、目标路口附近的公交车站具体设置方式等。
承接上述s101，在获取了目标车辆轨迹数据以及路口信息后，还包括：
s102：根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
在具体实施中，通行效率影响特征包括：路况特征、道路特征以及时间特征中一种或者多种。
a，针对通行效率影响特征包括路况特征的情况，路况特征包括：路口内车流速度、路口下游路段的车流速度、路口下游路段停车覆盖率中一种或者多种。
a1：针对路况特征包括路口内车流速度的情况，参见图2所示，本申请实施例提供一种获取路口内车流速度的具体方式，包括：
s201：根据各个车辆的目标车辆轨迹数据，计算每辆所述目标车辆驶过所述目标路口的速度，以及驶过所述目标路口的驶入时间和驶出时间。
此处，每辆车辆对应的目标车辆轨迹数据均包括：多个定位点的位置信息，以及与各个定位点对应的定位时间。
若获取的目标道路轨迹数据仅包括经过目标路口内部区域的车辆的轨迹数据，则按照定位时间的先后顺序，目标车辆轨迹数据的起始定位点即为车辆进入到目标路口内的起始位置，该起始定位点对应的定位时间，即为该车辆驶过目标路口的驶入时间；目标车辆轨迹数据的终止定位点，即为车辆驶出目标路口的位置，该终止定位点对应的定位时间，即为该车辆驶过目标路口的驶出时间。
若获取的目标道路轨迹数据除了包括车辆在通过目标路口内部区域的轨迹数据外，还包括目标路口外部区域的轨迹数据，则可以根据目标路口的区域范围，以及定位点的位置信息，从目标车辆轨迹数据中确定车辆进入目标路口的进入定位点，以及车辆驶出目标路口的驶出定位点。进入定位点对应的定位时间即为进入时间；驶出定位点对应的定位时间即为驶出时间。
采用下述方式计算每辆车辆驶过所述目标路口的速度：
针对每辆车辆，执行：
根据每相邻的两个定位点的位置信息，计算每相邻的两个定位点之间的距离；
根据每相邻的两个定位点的定位时间，计算每两个定位点的时间差；
根据所述距离以及所述时间差，计算每相邻的两个定位点对应的暂时速度；
基于各个所述暂时速度，计算该车辆驶过所述目标路口的速度。
此处，可以将各个暂时速度的均值，确定为该车辆驶过目标路口的速度。或者，直接将所有暂时速度确定为该车辆驶过目标路口的速度。
s202：将各个车辆通过所述目标路口的速度以及驶入时间和驶出时间进行拟合，获取所述路口内车流速度。
此处，由于车辆驶过目标路口的速度，是在车辆驶入目标路口到驶出目标路口的一段时间内的速度，因此，在数学表达上，例如在以时间为横轴，以速度为纵轴建立的坐标系中，其表示为从某个时间点到达另外一个时间点的曲线。将各个车辆通过所述目标路口的速度以及驶入时间和驶出时间进行拟合，就是将各台车辆所对应的第一时间速度的曲线进行拟合，从而能够得到一条能够表征所有车辆在待检测时间段内驶过目标路口的第二时间速度曲线，该第二时间速度曲线，又可转化为与时间和速度相关的函数。
示例性的，路口内车流速度，可以是所有车辆在待检测时间段内驶过目标路口的平均速度。具体地，可以根据得到的所有车辆在待检测时间段内驶过目标路口的时间-速度曲线，以预设的时间段为时间间隔，在该曲线上取多个点，所取得各个点所对应的速度的平均值，即为所有车辆在待检测时间段内驶过目标路口的平均速度。
示例性的，路口内车流速度，还可以是将待检测时间段划分为多个时间片段，与各个时间片段对应的车流速度。具体地，可以根据得到的所有车辆在待检测时间段内驶过目标路口的第二时间速度曲线，以预设的时间段为时间间隔，在该曲线上取多个点，其中各个时间段的持续时间长度与时间片段的持续时间长度相等。与所取得各个点所对应的速度，即为与各个时间片段对应的车流速度。
a2：针对路况特征包括路口下游路段的车流速度的情况，参见图3所示，本申请实施例提供一种获取路口下游路段的车流速度的具体方式，包括：
s301：获取在待检测时间段驶过目标路口下游路段的车辆的下游车辆轨迹数据。
此处，路口下游路段即为目标路口的下游路段，是指是指位于目标路口下游，且与目标路口的距离小于预设距离阈值的路段。
例如，将目标路口下游与目标路口的距离小于50米的路段，确定为该目标路口的下游路段。
示例性的，每个目标路口通常会包括多个道路方向，例如包括：东向西直行、东向北转弯、东向南转弯、西向东直行、西向北转弯、西向南转弯、北向南直行、北向西转弯、北向东转弯、南向北直行、南向西转弯、南向东转弯中一种或者多种。
而每一种道路方向都对应有下游路段。
获取待检测时间段驶过目标路口下游路段的车辆的下游车辆轨迹数据之后，还包括：
s302：根据所述下游车辆轨迹数据，生成所述路口下游路段的车流速度。
此处，下游车辆轨迹数据也包括多个定位点的位置信息以及每个定位点的定位时间。路口下游路段的车流速度的生成方式，与路口内车流速度的生成方式类似，在此不再赘述。
a3：对路况特征包括路口下游路段的停车覆盖率的情况，停车覆盖率是指路口下游路段每次发生停车时，车辆覆盖的面积占据下游路段总面积的比例。参见图4所示，本申请实施例提供一种获取路口下游路段的停车覆盖率的具体方式，包括：
s401：根据所述下游车辆轨迹数据，确定与下游车辆轨迹数据对应的各台车辆在所述路口下游路段的停车信息；所述停车信息包括：停留位置以及停留开始时间和停留终止时间；
s402：根据停留开始时间和停留终止时间，将车辆分成多个分组。
s403：针对每个分组，根据该分组中车辆的停留位置，确定排队长度，以及根据排队长度，以及路口下游路段长度，计算停车覆盖率。
此处，根据停留开始时间可停留终止之间，将车辆分成多个分组，是要将路口下游路段某次发生停车时，停留在路口下游路段上的车辆与其他车辆区分开来。其中，一个分组对应路口下游路段上发生的一次停车事件。
然后根据该停车事件中，在路口下游路段上停车的各个车辆的停留位置，能够计算得到排队长度，该排队长度对应路口下游路段被停车覆盖的路段的长度。进而能够根据排队长度以及路口下游路段的长度，计算停车覆盖率。
b：道路特征包括：转弯半径、路口坡度、路口视距、路口停车线的数量、路口出口车道宽度、距离路口出口最近的道路入口与路口的距离、距离路口出口最近的公交车站与路口的距离、距离路口出口最近的公交车站停靠的公交车的数量中一种或者多种。
针对道路特征包括转弯半径的情况，可以直接根据目标路口的道路方向，以及目标路口各个道路方向的道路宽度来计算转弯半径。
另外，为了精确得到待检测时刻的精确转弯半径，还可以根据车辆通过目标路口时的目标轨迹数据来计算转弯半径。
具体的，可以根据每一个在道路方向为左转或者右转的车辆的目标车辆轨迹数据，确定该车辆的转弯半径；然后求所有车辆转弯半径的均值，作为目标路口的转弯半径。
c：时间特征包括：所述待检测时间段对应的日期、所述待检测时间段是否为交通高峰、所述待检测时间段对应的星期数，所述待检测时间段是否为节假日、所述待检测时间段对应的月份数中一种或者多种。
承接上述s102，在目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值后，还包括：
s103：将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
在具体实施中，通行效率信息检测模型是使用样本路口在通行效率影响特征下的特征值，以及各个样本路对应的通行效率信息训练得到的。
具体地，参见图5所示，本申请实施例通过下述方式训练得到通行效率信息检测模型：
s501：获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息。
此处，不同样本路口对应的样本时间段可以一致，也可以不一致。
具体地，样本路口的车辆的样本车辆轨迹数据和样本路口的样本路口信息的获取方式，与目标路口的车辆的目标车辆轨迹数据路口信息的获取方式类似，在此不再赘述。
s502：根据所述样本车辆轨迹数据，以及所述样本路口信息，生成各个所述样本路口在所述通行效率影响特征下的样本特征值。
此处，通行效率影响特征包括：路况特征、道路特征以及时间特征中一种或者多种。
其中，路况特征以及道路特征与上述s102中类似，在此不再赘述。
另外，需要注意的是，时间特征包括：所述样本时间段对应的日期、所述样本时间段是否为交通高峰、所述样本时间段对应的星期数，所述样本时间段是否为节假日、所述样本时间段对应的月份数中一种或者多种。
各个所述样本路口在所述通行效率影响特征下的样本特征的获取方式，与目标路口在通行效率影响特征下的特征值的获取方式类似，在此不再赘述。
s503：以各个所述样本路口在所述通行效率影响特征下的样本特征值作为决策树模型的输入特征值，以各个样本路口对应的样本通行效率信息作为所述决策树模型的输出特征值，构建决策树模型，并将构建好的所述决策树模型作为所述通行效率信息检测模型。
具体地，所构建的决策树模型可以包括一棵决策树，也可以包括多棵决策树。
一：当构建的决策树模型中包括一棵决策树时，可以采用下述方式构建：
根据各个样本路口在通行效率影响特征下的样本特征值，计算每种通行效率影响特征的信息增益。
将对应的信息增益最大的通行效率影响特征作为决策树的父节点。
根据父节点对应的多个特征值取值区间，将样本路口分别划分到每个特征值取值区间中。
针对每个特征值取值区间，根据该特征值取值区间内的样本路口的通行效率影响特征下的样本特征值，计算除父节点所在之路中已存在的节点外每种通行效率影响特征对应的信息增益，并将对应的信息增益最大的通行效率影响特征作为父节点的一个子节点。
将子节点作为新的父节点，将新的父节点对应的特征值取值区间的样本路口组成新的样本路口集合，并返回至根据各个样本路口在通行效率影响特征下的样本特征值，计算每种通行效率影响特征的信息增益的步骤，知道每个之路中包含了全部的通行效率影响特征。
然后根据决策树中每个之路的最后一个节点对应的多个特征值取值区间，将该节点对应的样本路口分别划分到每个特征值取值区间中，并将每个特征值取值区间内的样本路口的样本通行效率信息，确定为该节点对应的每个特征值取值区间对应的通行效率信息。
在本申请另一实施例中，在完成对决策树模型的构建后，还可以使用测试路口在通行效率影响特征下的测试特征值，以及与各个测试路口对应的测试通行效率信息对通行效率信息检测模型的精度进行验证。
若决策树模型的精度小于一定的阈值，可以使用测试路口和样本路口的相关数据重新构建通行效率信息检测模型，并使用新的测试路口在在通行效率影响特征下的测试特征值，以及与各个测试路口对应的测试通行效率信息对通行效率信息检测模型的精度进行验证，直至所构建的通行效率信息检测模型的精度达到要求为止。
具体地，对构建的通行效率信息检测模型进行验证的过程包括：
获取在测试时间段驶过至少一个测试路口的车辆的测试车辆轨迹数据、各个所述测试路口的测试路口信息、以及各个所述测试路口对应的测试通行效率信息；
根据所述测试车辆轨迹数据，以及所述测试路口信息，生成各个所述测试路口在所述通行效率影响特征下的测试特征值；
将各个所述测试路口在所述通行效率影响特征下的测试特征值输入至所述通行效率信息检测模型中，获取与各个所述测试路口对应的低效原因检测结果；
根据各个所述测试路口对应的低效原因检测结果以及测试通行效率信息，对所述低效原因检测模型进行验证。
二：当构建的决策树模型中包括多棵决策树时，可以采用下述方式构建：
从通行效率影响特征中选择多个目标影响特征，并基于目标影响特征构建一棵决策树。
多次执行上述决策树的构建过程，每次所构建的决策树所使用的目标影响特征存在区别特征。
此处，基于目标影响特征构建一棵决策树的过程与上述使用所有通行效率影响特征构建一棵决策树的过程类似，在此不再赘述。
另外，在构建的决策树模型包括多个决策树时，采用边构建边对已经构建的决策树进行验证的方式保证决策树模型的精度。
具体地，每构建一棵决策树后，将当前已经构建的所有决策树构成一个当前决策树集合。针对每个测试路口，根据该测试路口在与各棵决策树对应的目标影响特征下的测试特征值输入至所述对应决策树中，获取与各棵决策树对应的低效原因检测结果；
然后将刻个决策树对应的低效原因检测结果进行加权求和，得到该测试路口对应的低效原因检测结果。
根据各个所述测试路口对应的低效原因检测结果以及测试通行效率信息，对当前的当前决策树集合的准确性进行验证。若验证通过，则停止构建新的决策树；若验证未通过，则继续构建新的决策树。
本申请实施例获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及目标路口的路口信息，并根据目标车辆轨迹数据以及路口信息生成目标路口在通行效率影响特征下的特征值，然后将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，较之现有技术中通过人工现场判断的方法来确定交通路口通行效率信息的方式，耗时更短，效率更高，且准确度也更高。
实施例二
参见图6所示，为本申请实施例二提供的通行效率信息检测的方法的流程图，所述方法包括步骤s601～s604，其中：
s601：获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息。
此处，s601的实现方式与上述s101类似，在此不再赘述。
s602：根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态。如果是，则跳转至s603；如果否，则跳转至s605。
在具体实施中，目标路口的参考速度，是指当目标路口的车流量较少时，例如凌晨0:00～5:00时，通过该目标路口的车辆的速度。也即，车辆顺畅通过目标路口的速度。
具体地，参见图7所示，本申请实施例提供一种确定目标路口的参考速度的具体方式，包括：
s701：获取在参考时间段内驶过所述目标路口的车辆的参考车辆轨迹数据。
在具体实施中，参考时间段可以根据实际的需要进行具体的设置。且不同的路口的参考时间段可以相同，也可以不同。
例如假若某路口在0:00～5:00时的车流量较少，则将0:00～5:00确定为该路口的参考时间段。若某路口在1:00～3:00时的车流量较少，则将1:00～3:00确定为该路口的参考时间段。
获取的参考车辆轨迹数据，可以是预设时间端内，例如一周内，一个月内、三个月内、五个月内、一年内，与每一天的参考时间段对应参考车辆轨迹数据。
目标路口在参考时间段的参考车辆轨迹数据获取方式，与目标路口在待检测时间段的目标车辆轨迹数据的获取方式类似，在此不在赘述。
s702：根据所述参考车辆轨迹数据，确定所述目标路口对应的参考速度。
在具体实施中，可以根据参考车辆轨迹数据，确定在参考时间段驶过目标路口的各台车辆的速度；将参考时间段驶过目标路口的各台车辆的速度的平均值，确定为该目标路口对应的参考速度。
具体地，由于车辆轨迹数据是由不同的定位点组成的一组数据，每一个定位点，包括该定点的地理坐标，以及该定位点的定位时间。因此能够根据相邻的两个定位点的定位时间，计算该相邻的两个定位点之间的时间差，也即，从车辆从该相邻的两个定位点中的上游定位点移动至下游定位点所需要的时间。然后根据该相邻的两个定位点的地理坐标，计算该相邻的两个定位点之间的距离；然后根据该两个定位点之间的距离以及时间差，计算车辆在该两个相邻的定位点之间移动的速度。然后根据车辆在每相邻的两个定位点之间移动的速度，确定该车辆在参考时间段驶过目标路口的速度。
参见图8所示，本申请实施例还提供一种根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态的具体方法，包括：
s801：根据所述目标车辆轨迹数据，获取所述目标路口在所述待检测时间段的路口内速度。
此处，路口内速度的确定方法，与参考速度的确定方法类似，在此不再赘述。
s802：检测所述参考速度与所述路口内速度的速度差是否大于预设的第一速度差阈值，以及检测所述路口内速度是否小于预设的第一速度阈值。如果否，则跳转至s803；如果是，则跳转至s805。
此处，第一速度差阈值和第一速度阈值都是根据实际的需要具体设定的。在设定的时候，不同的目标路口，对应的第一速度差阈值可以相同也可以不同；类似的，不同的目标路口对应的第一速度阈值可以相同，也可以不同。
示例性的，随着城市交通网络的复杂化，要检测的路口是非常多的，要针对每一个路口都确定一个与该路口对应的第一速度阈值，明显是不太现实的。因此可以针对同一区域的各个路口都采用相同的第一速度阈值。
参考速度与路口内速度的速度差大于预设的第一速度差阈值，则认为待检测时间段的路口内速度与车辆在目标路口顺畅通行时的速度相差过大。
另外，如果参考速度与路口内速度的速度差大于预设的第一速度差阈值，但由于目标路口的设置原因，导致其参考速度很大；此时，参考速度与路口内速度的速度差大于预设的第一速度差阈值，但目标路口的路口内速度仍然处于较高状态，此时目标路口实际上是未处于通行低效状态的；因此，要使用第二速度阈值对其进行进一步的约束，只有在路口内速度小于预设的第二速度阈值，并且参考速度与路口内速度的速度差大于预设的第一速度差阈值后，才确定目标路口处于通行低效状态。
只有在两个条件同时满足的情况下，才确定目标路口处于通行低效状态。
此时可能存在由交通原因导致的通行低效状态。
s803：判断所述参考速度是否小于预设的第二速度阈值。如果是，则跳转至s805；如果否，则跳转至s804。
此处，如果参考速度小于预设的第二速度阈值，即使不存在交通原因导致的低效，但是由于目标路口本身的道路设置问题，也可能存在通行低效状态。
s804：确认所述目标路口未处于所述通行低效状态。
s805：确认所述目标路口处于所述通行低效状态。
需要注意的是，上述s802和s803中，可以先执行s803，在s803的判断结果为否时，再执行s802。也即：在判断所述参考速度是不小于预设的第一速度阈值后，再检测所述参考速度与所述路口内速度的速度差是否大于预设的第一速度差阈值，以及检测所述路口内速度是否小于预设的第二速度阈值。
只要符合s802和s803中任意一个条件，即可确定目标路口处于通行低效状态。
承接上述s602，本申请实施例二提供的通行效率信息检测的方法还包括：
s603：根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
此处，s603的实现方式与上述s102的实现方式类似，在此不再赘述。
s604：将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
此处，s604的实现方式与上述s103的实现方式类似，在此不再赘述。
s605：结束。
本申请实施例二在获取目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息后，首先根据目标车辆轨迹数据，以及目标路口的参考速度，确定目标路口是否处于通行低效状态；在确定目标路口处于通行低效状态后，再根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，并将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，从而能够首先将为存在通行低效状态的情况过滤掉，只针对存在通行低效状态的情况确定对应的通行效率信息，降低模型的数据处理量，节省计算资源。
实施例三
参见图9所示，为本申请实施例二提供的通行效率信息检测的方法的流程图，所述方法包括步骤s901～s904，其中：
s901：获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息。
此处，s901的实现方式与上述s101类似，在此不再赘述。
s902：根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态。如果是，则跳转至s903；如果否，则跳转至s905。
在具体实施中，目标路口的参考速度，是指当目标路口的车流量较少时，例如凌晨0:00～5:00时，通过该目标路口的车辆的速度。也即，车辆顺畅通过目标路口的速度。
此处，目标路口的参考速度的确定方式与上述实施例二中的参考速度确定方式类似，在此不再赘述。
参见图10所示，本申请实施例还提供一种根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态的具体方法，包括：
s1001：根据所述目标车辆轨迹数据，获取所述目标路口在所述待检测时间段的路口内速度。
此处，路口内速度的确定方法，与参考速度的确定方法类似，在此不再赘述。
s1002：检测所述参考速度与所述路口内速度的速度差是否小于预设的第二速度差阈值，以及检测所述路口内速度是否大于预设的第三速度阈值。如果否，则跳转至s1003；如果是，则跳转至s1004。
此处第二速度差阈值和第三速度阈值都是根据实际的需要具体设定的。在设定的时候，不同的目标路口，对应的第二速度差阈值可以相同也可以不同；不同的目标路口对应的第三速度阈值可以相同，也可以不同。
示例性的，随着城市交通网络的复杂化，要检测的路口是非常多的，要针对每一个路口都确定一个与该路口对应的第三速度阈值，明显是不太现实的。因此可以针对同一区域的各个路口都采用相同的第三速度阈值。
只有在两个条件同时满足的情况下，才确定目标路口处于通行高效状态。
s1003：确认所述目标路口未处于所述通行高效状态。
s1004：确认所述目标路口处于所述通行高效状态。
需要注意的是，上述s1002和s1003中，可以先执行s1003，在s1003的判断结果为否时，再执行s1002。
承接上述s902，本申请实施例二提供的通行效率信息检测的方法还包括：
s903：根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
此处，s903的实现方式与上述s102的实现方式类似，在此不再赘述。
s904：将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
此处，s904的实现方式与上述s103的实现方式类似，在此不再赘述。
s905：结束。
本申请实施例二在获取目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息后，首先根据目标车辆轨迹数据，以及目标路口的参考速度，确定目标路口是否处于通行高效状态；在确定目标路口处于通行高效状态后，再根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，并将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，从而能够首先将未存在通行高效状态的情况过滤掉，只针对存在通行高效状态的情况确定对应的通行效率信息，降低模型的数据处理量，节省计算资源。
另外，还可以在确定目标路口处于通行高效状态，或者处于通行低效状态后，再根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，并基于通行效率影响特征下的特征值和预先训练的通行小路信息检测模型，得到与该目标路口对应的通行效率信息，从而能够首先将未存在通行高效状态和通行低效状态的情况过滤掉，只针对存在通行高效状态和通行低效状态的情况确定对应的通行效率信息，降低模型的数据处理量，节省计算资源。
实施例四
参见图11所示，本申请实施例四还提供另外一种通行效率信息检测的方法，包括：
s1101：针对所述目标路口的各个道路方向，获取在待检测时间段驶过该道路方向的车辆的目标车辆轨迹数据；
s1102：根据在待检测时间段驶过各个道路方向的车辆的目标车辆轨迹数据，生成各个所述道路方向在通行效率影响特征下的特征值；
s1103：将各个所述道路方向在通行效率影响特征下的特征值，输入至预先训练的通行效率信息检测模型中，获取与各个道路方向对应的通行效率信息。
此处，上述s1101～s1103的具体实现方式与上述s101～s103的实现方式类似，在此不再赘述。
本申请实施例能够针对目标路口的各个道路方向进行通行效率信息的检测，更具有针对性。
实施例五
目标路口在待检测时间段的路况除了受到待检测时间段中路况的影响，在待检测时间段之前在目标路口的路况情况会对目标路口在待检测时间段的路况造成连续的影响，因此在本申请另一实施例中，不止要获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，还要获取在待检测时间段之前的历史检测时间段驶过目标道路的历史车辆轨迹数据。
参见图12所示，本申请实施例五提供的另外一种通行效率信息检测的方法，包括：
s1201：获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息，以及获取在所述待检测时间段之前的历史检测时间段驶过所述目标路口的历史车辆轨迹数据。
此处，目标车辆轨迹数据，以及所述目标路口的路口信息的具体获取方式参见上述实施例一，在此不再赘述。
在待检测时间段之前的历史检测时间段，一般是与待检测时间段具有连续关系的时间段，例如待检测时段为2018年1月15日7:00～10:00，历史检测时间段为2018年1月15日6:00～7:00。
另外，若待检测时间段的时间长度较长，在同一路口在待检测时间段内的不同时刻，拥堵程度、拥堵类型也可能会不同，例如将7:00～9:00设置为待检测时间段，但与目标路口连接的道路在8:00-9:00有其中一个道路方向上的道路会转变为公交车专行线，因此若该目标路口存在通行低效情况，则7:00～8:00可能是由于交通状况造成的低效，8:00～9:00除了由于交通状况外，还可能是由于道路设置造成的低效。因此所得到的待检测时间段的通行效率信息可能有多个。
另外，还可以将待检测时间段的时间长度缩短，使得得到的待检测时间段通行效率信息仅仅针对该待检测时间段。例如将待检测时间段的长度设置为15分钟，从7:00～9:00，每隔15分钟即检测一次，能够得到从7:00～9:00的多个通行效率信息。
s1202：根据所述目标车辆轨迹数据生成所述目标路口在路况特征下的第一特征值，根据所述历史车辆轨迹数据生成所述目标路口在所述路况特征下的第二特征值，以及根据所述路口信息，生成所述目标路口在道路特征下的第三特征值。
s1203：将所述第一特征值、所述第二特征值以及所述第三特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
另外，在另一实施例中，在获取所述目标路口在时间特征下的第四特征值时，要将所述第一特征值、所述第二特征值、所述第三特征值以及第四特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
i：下面以获得第一特征值、第二特征值和第三特征值对通行效率信息检测模型的训练过程加以说明。
具体地，参见图13所示，本申请实施例通过下述方式训练得到通行效率信息检测模型：
s1301：获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、所述样本时间段对应的样本历史检测时间段驶过所述样本路口的样本历史车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息。
此处，不同样本路口对应的样本时间段可以一致，也可以不一致。
具体地，样本路口的车辆的样本车辆轨迹数据、样本历史车辆轨迹数据、以及样本路口信息的获取方式，与目标路口的目标车辆轨迹数据、历史车辆轨迹数据以及路口信息的获取方式类似，在此不再赘述。
s1302：根据所述样本车辆轨迹数据生成所述样本路口在路况特征下的第一样本特征值，根据所述样本历史车辆轨迹数据生成所述样本路口在所述路况特征下的第二样本特征值，以及根据所述路口信息生成所述样本路口在路况特征下的第三样本特征值。
其中，路况特征以及道路特征与上述s102中类似，在此不再赘述。
各个所述样本路口在的第一样本特征值、第二样本特征值以及第三样本特征值的获取方式，与目标路口的第一特征值、第二特征值以及第三特征值的获取方法类似，在此不再赘述。
s1303：将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果。
s1304：根据所述样本通行低效检测结果以及所述样本通行效率信息，训练所述基础预测模型，将训练后的所述基础预测模型作为所述通行效率信息检测模型。
在具体实施中，所述基础预测模型包括：第一神经网络、第二神经网络以及第三神经网络。
参见图14所示，本申请实施例提供一种将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果的具体方式，包括：
针对每个样本路口，执行：
s1401：将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量。
此处，将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，可以是将第一特征向量和第二特征向量进行加权求和。一般地，由于第一特征向量是基于待检测时段的目标车辆轨迹获得，第二特征向量是基于历史检测时段的历史车辆轨迹获得，而第一特征向量对当前目标路口的低效状态具有更大的影响，因此，在将第一特征向量和第二特征向量进行加权求和时，第一特征向量的权重大于第二特征向量的权重。该权重可以在对基础预测模型进行训练的过程中调整，也可以将其作为超参数使用。
另外，将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，还可以是将第一特征向量和第二特征向量进行拼接。
s1402：将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量。
此处，第一神经网络包括至少一个全连接层。第一中间样本特征向量在通过第一神经网络后，所得的第二中间样本特征向量中的每个元素都受到第一中间样本特征向量中全部特征的影响，从而使得第二中间样本特征向量建立了第一中间样本特征向量中各个元素之间的联系，也即通过第一神经网络提取了第一特征向量与第二特征向量的特征。
s1403：将由所述第三样本特征值构成的第三样本特征向量输入至所述第二神经网络中，获取第三中间样本特征向量。
此处，第二神经网络也包括至少一个全连接层。第三样本特征向量在通过第二神经网络后，所得的第三中间样本特征向量中的每个元素都受到第三本特征向量中全部特征的影响，从而使得第三中间样本特征向量中的每个元素都在一定程度上能够表征第三样本特征向量中各个元素。
需要注意的是，上述s1402和s1403并无执行的先后顺序。只有当两者均执行完后，方执行下述s1404。
s1404：将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量。
s1405：将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
此处，第三神经网络也包括至少一个全连接层，并包括一个分类器。拼接向量在通过第三神经网络后，进入分类器，得到最终的分类结果，也即与样本路口对应的。
在得到样本通行低效检测结果。
在得到样本通行低效检测结果后，还要根据所述样本通行低效检测结果以及所述样本通行效率信息，训练所述基础预测模型。
具体地，可以采用下述方式训练基础预测模型：
根据各个样本路口对应的样本通行低效检测结果以及所述样本通行效率信息，计算模型损失。
将模型损失与预设的损失阈值进行比对；
若模型损失大于预设的损失阈值，则调整基础预测模型的参数，并基于调整参数后的基础预测模型重新获取各个样本路口对应的样本通行低效检测结果，并基于新获取的样本通行低效检测结果以及对应的样本通行效率信息计算模型损失。
若模型损失不大于预设的损失阈值，则将当前的基础预测模型确定为通行效率信息检测模型。
此处，可以采用下述方式计算模型损失：
将各个样本路口对应的样本通行低效检测结果以及所述样本通行效率信息进行比对。
将样本通行低效检测结果以及所述样本通行效率信息不同的样本路口的数量作为误差数量。
将误差数量与样本路口的数量之间的比值，确定为模型损失。
ⅱ：下面以获得第一特征值、第二特征值、第三特征值和第四特征值对通行效率信息检测模型的训练过程加以说明，该过程包括：
获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、所述样本时间段对应的样本历史检测时间段驶过所述样本路口的样本历史车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息。
根据所述样本车辆轨迹数据生成所述样本路口在路况特征下的第一样本特征值，根据所述样本历史车辆轨迹数据生成所述样本路口在所述路况特征下的第二样本特征值，根据所述路口信息生成所述样本路口在路况特征下的第三样本特征值，以及获取所述样本时间在时间特征下的第四样本特征值。
将所述第一样本特征值、所述第二样本特征值、第三样本特征值以及所述第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果。
根据所述样本通行低效检测结果以及所述样本通行效率信息，训练所述基础预测模型，将训练后的所述基础预测模型作为所述通行效率信息检测模型。
具体的实现过程可参见上述i中所述。
参见图15所示，本申请实施例还提供一种将所述第一样本特征值、所述第二样本特征值、所述第三样本特征值以及第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果的具体方式，包括：
s1501：将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量。
此处，s1501的实现方式与上述s1401类似，在此不再赘述。
s1502：将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量。
此处，s1502的实现方式与上述s1402类似，在此不再赘述。
s1503：将由所述第三样本特征值构成的第三样本特征向量和所述第四样本特征值构成的第四样本特征向量进行拼接后，输入至所述第二神经网络中，获取第三中间样本特征向量。
s1504：将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量。
此处，s1504的实现方式与上述s1404类似，在此不再赘述。
s1505：将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
此处，s1505的实现方式与上述s1405类似，在此不再赘述。
在训练得到通行效率信息检测模型后，针对通行效率信息检测模型基于第一样本特征值、第二样本特征值以及第三样本特征值训练得到的情况，能够将目标路口对应的第一特征值、第二特征值、第三特征值输入至该通行效率信息检测模型中，得到目标路口的通行效率信息。
针对通行效率信息检测模型基于第一样本特征值、第二样本特征值、第三样本特征值以及第四样本特征值训练得到的情况，将目标路口对应的第一特征值、第二特征值、第三特征值以及第四特征值输入至该通行效率信息检测模型中，得到目标路口的通行效率信息。
本申请上述实施例可以自动检测目标路口通行效率信息，较之现有技术中通过人工现场判断的方法，耗时短，效率高，且准确度更高。
实施例六
参见图16所示，为本申请实施例六提供的通行效率信息检测的方法的流程图，所述方法包括步骤s1601～s1604，其中：
s1601：获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据、在所述待检测时间段之前的历史检测时间段驶过所述目标路口的历史车辆轨迹数据、以及所述目标路口的路口信息。
此处，s1601的实现方式与上述s1201类似，在此不再赘述。
s1602：根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态。如果是，则跳转至s1603；如果否，则跳转至s1605。
在具体实施中，目标路口的参考速度，是指当目标路口的车流量较少时，例如凌晨0:00～5:00时，通过该目标路口的车辆的速度。也即，车辆顺畅通过目标路口的速度。
确定目标路口的参考速度的具体方式与上述图7中确定目标路口的参考速度的方式类似，在此不再赘述。
根据目标车辆轨迹数据，以及目标路口的参考速度，确定目标路口是否处于通行低效状态的具体方式，与上述图8对应的实施例类似，在此不再赘述。
s1603：根据所述目标车辆轨迹数据生成所述目标路口在路况特征下的第一特征值，根据所述历史车辆轨迹数据生成所述目标路口在所述路况特征下的第二特征值，以及根据所述路口信息，生成所述目标路口在道路特征下的第三特征值。
此处，s1603的实现方式与上述s1202的实现方式类似，在此不再赘述。
s1604：将所述第一特征值、所述第二特征值以及所述第三特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
此处，s1604的实现方式与上述s1203的实现方式类似，在此不再赘述。
s1605：结束。
本申请实施例二在获取目标路口的目标车辆轨迹数据、历史车辆轨迹数据以及路口信息后，首先根据目标车辆轨迹数据，以及目标路口的参考速度，确定目标路口是否处于通行低效状态；在确定目标路口处于通行低效状态后，再根据目标车辆轨迹数据、历史车辆轨迹数据以及路口信息，生成第一特征值、所述第二特征值以及所述第三特征值，并将所述第一特征值、所述第二特征值以及所述第三特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，从而能够首先将为存在通行低效状态的情况过滤掉，只针对存在通行低效状态的情况确定对应的通行效率信息，降低模型的数据处理量，节省计算资源。
基于同一发明构思，本申请实施例中还提供了与通行效率信息检测的方法对应的通行效率信息检测的装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述通行效率信息检测的方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
实施例七
参照图17所示，为本申请实施例七提供的一种通行效率信息检测的装置的示意图，所述装置包括：数据获取模块171、特征生成模块172、结果获取模块173；其中：
数据获取模块171，用于获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息；
特征生成模块172，用于根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值；
结果获取模块173，用于将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
本申请实施例获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及目标路口的路口信息，并根据目标车辆轨迹数据以及路口信息生成目标路口在通行效率影响特征下的特征值，然后将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，较之现有技术中通过人工现场判断的方法来确定交通路口通行效率信息的方式，耗时更短，效率更高，且准确度也更高。
一种可能的实施方式中，所述通行效率信息包括指示通行低效的信息和通行效率信息；或者，指示通行高效的信息和通行高效原因。
一种可能的实施方式中，所述通行效率影响特征包括：路况特征、道路特征以及时间特征中一种或者多种。
一种可能的实施方式中，针对所述通行效率影响特征包括路况特征、道路特征的情况：
所述数据获取模块171还用于：获取在所述待检测时间段之前的历史检测时间段驶过所述目标路口的历史车辆轨迹数据；
所述特征生成模块172，具体用于：根据所述目标车辆轨迹数据生成所述目标路口在路况特征下的第一特征值，根据所述历史车辆轨迹数据生成所述目标路口在所述路况特征下的第二特征值，以及根据所述路口信息，生成所述目标路口在道路特征下的第三特征值；
所述结果获取模块173，具体用于：将所述第一特征值、所述第二特征值以及所述第三特征值输入至预先训练的所述通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可能的实施方式中，针对所述通行效率影响特征包括路况特征、道路特征以及时间特征的情况：
所述特征生成模块172，还用于：获取所述目标路口在时间特征下的第四特征值；
所述结果获取模块173，具体用于：将所述第一特征值、所述第二特征值、所述第三特征值以及所述第四特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可能的实施方式中，所述路况特征包括：路口内车流速度、路口下游路段的车流速度、路口下游路段停车覆盖率中一种或者多种。
一种可能的实施方式中，所述道路特征包括：转弯半径、路口坡度、路口视距、路口停车线的数量、路口出口车道宽度、距离路口出口最近的道路入口与路口的距离、距离路口出口最近的公交车站与路口的距离、距离路口出口最近的公交车站停靠的公交车的数量中一种或者多种。
一种可能的实施方式中，所述时间特征包括：所述待检测时间段对应的日期、所述待检测时间段是否为交通高峰、所述待检测时间段对应的星期数，所述待检测时间段是否为节假日、所述待检测时间段对应的月份数中一种或者多种。
一种可能的实施方式中，针对所述路况特征包括路口内车流速度的情况：
所述特征生成模块172，用于采用下述方式获取所述路口内车流速度：
根据各个车辆的目标车辆轨迹数据，计算每辆所述目标车辆驶过所述目标路口的速度，以及驶过所述目标路口的驶入时间和驶出时间；
将各个车辆驶过所述目标路口的速度、驶入时间和驶出时间进行拟合，获取所述路口内车流速度。
一种可能的实施方式中，所述目标车辆轨迹数据包括：多个定位点的位置信息，以及与每个定位点对应的定位时间；
所述特征生成模块172，用于采用下述方式根据各个车辆的目标车辆轨迹数据，计算每辆车辆驶过所述目标路口的速度：
针对每辆车辆，执行：
根据每相邻的两个定位点的位置信息，计算每相邻的两个定位点之间的距离；
根据每相邻的两个定位点的定位时间，计算每两个定位点的时间差；
根据所述距离以及所述时间差，计算每相邻的两个定位点对应的暂时速度；
基于各个所述暂时速度，计算该车辆驶过所述目标路口的速度。
一种可能的实施方式中，所述目标车辆轨迹数据包括：多个定位点的位置信息，以及与每辆定位点对应的定位时间；
所述特征生成模块172，用于采用下述方式根据各个车辆的目标车辆轨迹数据，计算每辆所述目标车辆驶过所述目标路口的驶入时间和使出时间：
根据各个所述定位点的位置信息以及所述目标路口的区域范围，从各个所述定位点中确定驶入定位点以及驶出定位点；
根据所述驶入定位点对应的定位时间确定所述驶入时间，以及根据所述驶出定位点的定位时间确定所述驶出时间。
一种可能的实施方式中，针对所述路况特征包括路口下游路段的车流速度的情况，
所述特征生成模块172，用于采用下述方式获取所述路口下游路段在所述待检测时间段的车流速度：
获取在待检测时间段驶过目标路口下游路段的车辆的下游车辆轨迹数据；
根据所述下游车辆轨迹数据，生成所述路口下游路段的车流速度。
一种可能的实施方式中，还包括：第一模型训练模块174，用于采用下述方式训练得到所述通行效率信息检测模型：
获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息；
根据所述样本车辆轨迹数据，以及所述样本路口信息，生成各个所述样本路口在所述通行效率影响特征下的样本特征值；
以各个所述样本路口在所述通行效率影响特征下的样本特征值作为决策树模型的输入特征值，以各个样本路口对应的样本通行效率信息作为所述决策树模型的输出特征值，构建决策树模型，并将构建好的所述决策树模型作为所述通行效率信息检测模型。
一种可能的实施方式中，还包括：第二模型训练模块175，用于用于采用下述方式训练得到所述通行效率信息检测模型：
获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、所述样本时间段对应的样本历史检测时间段驶过所述样本路口的样本历史车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息；
根据所述样本车辆轨迹数据生成所述样本路口在路况特征下的第一样本特征值，根据所述样本历史车辆轨迹数据生成所述样本路口在所述路况特征下的第二样本特征值，以及根据所述路口信息，生成所述样本路口在路况特征下的第三样本特征值；
将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果；
根据所述样本通行低效检测结果以及所述样本通行效率信息，训练所述基础预测模型，将训练后的所述基础预测模型作为所述通行效率信息检测模型。
一种可能的实施方式中，所述基础预测模型包括：第一神经网络、第二神经网络以及第三神经网络；
所述第二模型训练模块175，用于采用下述方式将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果：
针对每个所述样本路口，执行：
将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量；
将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量；
以及将由所述第三样本特征值构成的第三样本特征向量输入至所述第二神经网络中，获取第三中间样本特征向量；
将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量；
将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
一种可能的实施方式中，所述第二模型训练模块175，还用于：获取在时间特征下的第四样本特征值；
所述第二模型训练模块，用于采用下述方式将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果：
将所述第一样本特征值、所述第二样本特征值、第三样本特征值以及所述第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果。
一种可能的实施方式中，所述基础预测模型包括：第一神经网络、第二神经网络以及第三神经网络；
所述第二模型训练模块175，用于采用下述方式将所述第一样本特征值、所述第二样本特征值、第三样本特征值以及所述第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果：
针对每个所述样本路口，执行：
将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量；
将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量；
以及将由所述第三样本特征值构成的第三样本特征向量和所述第四样本特征值构成的第四样本特征向量进行拼接后，输入至所述第二神经网络中，获取第三中间样本特征向量；
将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量；
将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
一种可能的实施方式中，还包括：第一通行效率确定模块176，在所述特征生成模块172根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值之前，用于：
根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态；
所述特征生成模块172，具体用于：在检测到所述目标路口处于通行低效状态后，根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
一种可能的实施方式中，所述第一通行效率确定模块176，具体用于采用下述方式根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态：
根据所述目标车辆轨迹数据，获取所述目标路口在所述待检测时间段的路口内速度；
检测所述参考速度与所述路口内速度的速度差是否大于预设的第一速度差阈值，以及检测所述路口内速度是否小于预设的第一速度阈值；
以及，判断所述参考速度是否小于预设的第二速度阈值；
若检测到所述参考速度与所述路口内速度的速度差大于预设的第一速度差阈值以及所述路口内速度小于预设的第一速度阈值，或者，所述参考速度小于预设的第二速度阈值，则确定所述目标路口处于通行低效状态。
一种可能的实施方式中，该装置还包括：内部区域确定模块177，用于根据驶过所述目标路口的多辆车辆的目标车辆轨迹数据，确定所述目标路口的所述路口内部区域；
所述数据获取模块171，具体用于：获取在所述待检测时间段驶过目标路口的路口内部区域的车辆的目标车辆轨迹数据。
一种可能的实施方式中，所述第一通行效率确定模块176，具体用于采用下述方式确定所述参考速度：
获取在参考时间段内驶过所述目标路口的车辆的参考车辆轨迹数据；
根据所述参考车辆轨迹数据，确定所述目标路口对应的参考速度。
一种可能的实施方式中，还包括：第二通行效率确定模块178，在所述特征生成模块172根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值之前，用于：
根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态；
所述特征生成模块172，具体用于：在检测到所述目标路口处于通行高效状态后，根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
一种可能的实施方式中，所述第二通行效率确定模块178，用于采用下述方式根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态：
检测所述参考速度与所述路口内速度的速度差是否小于预设的第二速度差阈值，以及检测所述路口内速度是否大于预设的第三速度阈值；
以及，判断所述参考速度是否大于预设的第四速度阈值；
若检测到所述参考速度与所述路口内速度的速度差小于预设的第二速度差阈值以及所述路口内速度大于预设的第三速度阈值，或者，所述参考速度大于预设的第四速度阈值，则确定所述目标路口处于通行高效状态。
一种可能的实施方式中，所述数据获取模块171，具体用于：针对所述目标路口的各个道路方向，获取在待检测时间段驶过该道路方向的车辆的目标车辆轨迹数据；
所述特征生成模块172，具体用于：根据在待检测时间段驶过各个道路方向的车辆的目标车辆轨迹数据，生成各个所述道路方向在通行效率影响特征下的特征值；
所述结果获取模块173，具体用于：将各个所述道路方向在通行效率影响特征下的特征值，输入至预先训练的通行效率信息检测模型中，获取与各个道路方向对应的通行效率信息。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
实施例八
本申请实施例八还提供了一种计算机设备180，如图18所示，为本申请实施例提供的计算机设备180结构示意图，包括：
处理器181、存储器182、和总线183；存储器182用于存储执行指令，包括内存1821和外部存储器1822；这里的内存1821也称内存储器，用于暂时存放处理器181中的运算数据，以及与硬盘等外部存储器1822交换的数据，处理器181通过内存1821与外部存储器1822进行数据交换，当所述用户设备180运行时，所述处理器181与所述存储器182之间通过总线183通信，使得所述处理器181在用户态执行以下指令：
获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，以及所述目标路口的路口信息；
根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值；
将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可能的实施方式中，处理器181执行的指令中，所述通行效率信息包括指示通行低效的信息和通行效率信息；或者，指示通行高效的信息和通行高效原因。
一种可能的实施方式中，处理器181执行的指令中，所述通行效率影响特征包括：路况特征、道路特征以及时间特征中一种或者多种。
一种可能的实施方式中，处理器181执行的指令中，针对所述通行效率影响特征包括路况特征、道路特征的情况，所述方法还包括：
获取在所述待检测时间段之前的历史检测时间段驶过所述目标路口的历史车辆轨迹数据；
所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，包括：
根据所述目标车辆轨迹数据生成所述目标路口在路况特征下的第一特征值，根据所述历史车辆轨迹数据生成所述目标路口在所述路况特征下的第二特征值，以及根据所述路口信息，生成所述目标路口在道路特征下的第三特征值；
所述将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，包括：
将所述第一特征值、所述第二特征值以及所述第三特征值输入至预先训练的所述通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可能的实施方式中，处理器181执行的指令中，针对所述通行效率影响特征包括路况特征、道路特征以及时间特征的情况，
该方法还包括：获取所述目标路口在时间特征下的第四特征值；
所述将所述第一特征值、所述第二特征值以及所述第三特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，包括：
将所述第一特征值、所述第二特征值、所述第三特征值以及所述第四特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息。
一种可能的实施方式中，处理器181执行的指令中，所述路况特征包括：路口内车流速度、路口下游路段的车流速度、路口下游路段停车覆盖率中一种或者多种。
一种可能的实施方式中，处理器181执行的指令中，所述道路特征包括：转弯半径、路口坡度、路口视距、路口停车线的数量、路口出口车道宽度、距离路口出口最近的道路入口与路口的距离、距离路口出口最近的公交车站与路口的距离、距离路口出口最近的公交车站停靠的公交车的数量中一种或者多种。
一种可能的实施方式中，处理器181执行的指令中，所述时间特征包括：所述待检测时间段对应的日期、所述待检测时间段是否为交通高峰、所述待检测时间段对应的星期数，所述待检测时间段是否为节假日、所述待检测时间段对应的月份数中一种或者多种。
一种可能的实施方式中，处理器181执行的指令中，针对所述路况特征包括路口内车流速度的情况：
采用下述方式获取所述路口内车流速度：
根据各个车辆的目标车辆轨迹数据，计算每辆所述目标车辆驶过所述目标路口的速度，以及驶过所述目标路口的驶入时间和驶出时间；
将各个车辆驶过所述目标路口的速度、驶入时间和驶出时间进行拟合，获取所述路口内车流速度。
一种可能的实施方式中，处理器181执行的指令中，所述目标车辆轨迹数据包括：多个定位点的位置信息，以及与每个定位点对应的定位时间；
根据各个车辆的目标车辆轨迹数据，计算每辆车辆驶过所述目标路口的速度，包括：
针对每辆车辆，执行：
根据每相邻的两个定位点的位置信息，计算每相邻的两个定位点之间的距离；
根据每相邻的两个定位点的定位时间，计算每两个定位点的时间差；
根据所述距离以及所述时间差，计算每相邻的两个定位点对应的暂时速度；
基于各个所述暂时速度，计算该车辆驶过所述目标路口的速度。
一种可能的实施方式中，处理器181执行的指令中，所述目标车辆轨迹数据包括：多个定位点的位置信息，以及与每辆定位点对应的定位时间；
根据各个车辆的目标车辆轨迹数据，计算每辆所述目标车辆驶过所述目标路口的驶入时间和使出时间，包括：
根据各个所述定位点的位置信息以及所述目标路口的区域范围，从各个所述定位点中确定驶入定位点以及驶出定位点；
根据所述驶入定位点对应的定位时间确定所述驶入时间，以及根据所述驶出定位点的定位时间确定所述驶出时间。
一种可能的实施方式中，处理器181执行的指令中，针对所述路况特征包括路口下游路段的车流速度的情况，
采用下述方式获取所述路口下游路段在所述待检测时间段的车流速度：
获取在待检测时间段驶过目标路口下游路段的车辆的下游车辆轨迹数据；
根据所述下游车辆轨迹数据，生成所述路口下游路段的车流速度。
一种可能的实施方式中，处理器181执行的指令中，采用下述方式训练得到所述通行效率信息检测模型：
获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息；
根据所述样本车辆轨迹数据，以及所述样本路口信息，生成各个所述样本路口在所述通行效率影响特征下的样本特征值；
以各个所述样本路口在所述通行效率影响特征下的样本特征值作为决策树模型的输入特征值，以各个样本路口对应的样本通行效率信息作为所述决策树模型的输出特征值，构建决策树模型，并将构建好的所述决策树模型作为所述通行效率信息检测模型。
一种可能的实施方式中，处理器181执行的指令中，采用下述方式训练得到所述通行效率信息检测模型：
获取在样本时间段驶过至少一个样本路口的车辆的样本车辆轨迹数据、所述样本时间段对应的样本历史检测时间段驶过所述样本路口的样本历史车辆轨迹数据、各个所述样本路口的样本路口信息，以及各个所述样本路口对应的样本通行效率信息；
根据所述样本车辆轨迹数据生成所述样本路口在路况特征下的第一样本特征值，根据所述样本历史车辆轨迹数据生成所述样本路口在所述路况特征下的第二样本特征值，以及根据所述路口信息，生成所述样本路口在路况特征下的第三样本特征值；
将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果；
根据所述样本通行低效检测结果以及所述样本通行效率信息，训练所述基础预测模型，将训练后的所述基础预测模型作为所述通行效率信息检测模型。
一种可能的实施方式中，处理器181执行的指令中，所述基础预测模型包括：第一神经网络、第二神经网络以及第三神经网络；
所述将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果包括：
针对每个所述样本路口，执行：
将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量；
将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量；
以及将由所述第三样本特征值构成的第三样本特征向量输入至所述第二神经网络中，获取第三中间样本特征向量；
将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量；
将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
一种可能的实施方式中，处理器181执行的指令中，还包括：获取在时间特征下的第四样本特征值；
将所述第一样本特征值、所述第二样本特征值以及所述第三样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果，包括：
将所述第一样本特征值、所述第二样本特征值、第三样本特征值以及所述第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果。
一种可能的实施方式中，处理器181执行的指令中，所述基础预测模型包括：第一神经网络、第二神经网络以及第三神经网络；
将所述第一样本特征值、所述第二样本特征值、第三样本特征值以及所述第四样本特征值输入至基础预测模型中，获取与各个所述样本路口对应的样本通行低效检测结果，包括：
针对每个所述样本路口，执行：
将由所述第一样本特征值构成的第一特征向量与所述第二样本特征值构成的第二特征向量进行融合，生成第一中间样本特征向量；
将所述第一中间样本特征向量输入至所述第一神经网络中，获取第二中间样本特征向量；
以及将由所述第三样本特征值构成的第三样本特征向量和所述第四样本特征值构成的第四样本特征向量进行拼接后，输入至所述第二神经网络中，获取第三中间样本特征向量；
将所述第二中间样本特征向量以及所述第三中间样本特征向量进行拼接，构成拼接向量；
将所述拼接向量输入至第三神经网络中，获取所述样本通行低效检测结果。
一种可能的实施方式中，处理器181执行的指令中，所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值之前，还包括：
根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态；
所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，包括：
在检测到所述目标路口处于通行低效状态后，根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
一种可能的实施方式中，处理器181执行的指令中，所述根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行低效状态，包括：
根据所述目标车辆轨迹数据，获取所述目标路口在所述待检测时间段的路口内速度；
检测所述参考速度与所述路口内速度的速度差是否大于预设的第一速度差阈值，以及检测所述路口内速度是否小于预设的第一速度阈值；
以及，判断所述参考速度是否小于预设的第二速度阈值；
若检测到所述参考速度与所述路口内速度的速度差大于预设的第一速度差阈值以及所述路口内速度小于预设的第一速度阈值，或者，所述参考速度小于预设的第二速度阈值，则确定所述目标路口处于通行低效状态。
一种可能的实施方式中，处理器181执行的指令中，还包括：根据驶过所述目标路口的多辆车辆的目标车辆轨迹数据，确定所述目标路口的所述路口内部区域；
所述获取在所述待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，包括：
获取在所述待检测时间段驶过目标路口的路口内部区域的车辆的目标车辆轨迹数据。
一种可能的实施方式中，处理器181执行的指令中，采用下述方式确定所述参考速度：
获取在参考时间段内驶过所述目标路口的车辆的参考车辆轨迹数据；
根据所述参考车辆轨迹数据，确定所述目标路口对应的参考速度。
一种可能的实施方式中，处理器181执行的指令中，所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值之前，还包括：
根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态；
所述根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，包括：
在检测到所述目标路口处于通行高效状态后，根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值。
一种可能的实施方式中，处理器181执行的指令中，根据所述目标车辆轨迹数据，以及所述目标路口的参考速度，确定所述目标路口是否处于通行高效状态，包括：
检测所述参考速度与所述路口内速度的速度差是否小于预设的第二速度差阈值，以及检测所述路口内速度是否大于预设的第三速度阈值；
若检测到所述参考速度与所述路口内速度的速度差小于预设的第二速度差阈值以及所述路口内速度大于预设的第三速度阈值，确定所述目标路口处于通行高效状态。
一种可能的实施方式中，处理器181执行的指令中，所述获取在待检测时间段驶过目标路口的车辆的目标车辆轨迹数据，包括：
针对所述目标路口的各个道路方向，获取在待检测时间段驶过该道路方向的车辆的目标车辆轨迹数据；
根据所述目标车辆轨迹数据以及所述路口信息，生成所述目标路口在通行效率影响特征下的特征值，包括：
根据在待检测时间段驶过各个道路方向的车辆的目标车辆轨迹数据，生成各个所述道路方向在通行效率影响特征下的特征值；
将所述特征值输入至预先训练的通行效率信息检测模型中，获取与该目标路口对应的通行效率信息，包括：
将各个所述道路方向在通行效率影响特征下的特征值，输入至预先训练的通行效率信息检测模型中，获取与各个道路方向对应的通行效率信息。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的通行效率信息检测的方法的步骤。
本申请实施例所提供的通行效率信息检测的方法以及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！