道路临时封闭会导致局部交通流量骤降、路径规划失效和路网效率下降。针对传统方法依赖固定流量阈值、易受拥堵波动干扰、难以适应低流量道路和复杂拓扑约束等问题，本文提出一种融合历史轨迹经验路径与实时轨迹偏离模式的城市路网封闭道路识别方法，以提升封闭事件识别的准确性、实时性与鲁棒性。
施工、交通事故、大型活动或临时管制等事件通常突发且持续时间不确定。仅依赖流量下降或静态拓扑判断，往往难以及时、准确识别封闭道路。
基于车流量的方法通常依赖固定阈值，但低等级道路本身流量较小，封闭前后统计差异不明显，容易漏检。
异常检测方法能捕捉流量转移，但正常拥堵、信号控制和高峰波动也会产生类似异常模式，导致误报。
仅基于路网连接关系建模，若忽略交通规则、禁转限制和驾驶行为习惯，容易将正常绕行误判为封闭。
本文方法的关键在于：不单看道路流量是否下降，而是观察车辆是否系统性偏离历史上“本应经过”的路径，并结合路网约束判定封闭可能性。
基于历史在线车辆轨迹，挖掘 OD 对之间高频、稳定的经验通行路径，形成车辆在正常状态下的路径选择基准。
将实时轨迹与历史经验路径进行对比，识别车辆在接近疑似道路时是否出现一致性绕行、提前转向、异常中断或路径替代等偏离行为。
结合道路连通性、方向、禁转规则及周边可替代路径，对候选封闭道路进行一致性验证，降低由正常驾驶选择或拥堵造成的误判。
封闭识别不再仅依赖流量绝对下降，而是关注“应经过而未经过”的系统性行为偏差。
当多个车辆在相似位置出现一致性偏离，且偏离无法由禁转或正常路径选择解释时，封闭概率上升。
该方法将轨迹行为作为核心证据，比单纯统计流量更能捕捉临时封闭造成的驾驶行为变化，尤其适用于低流量道路和复杂交叉口区域。
本文方法为城市交通突发事件识别提供了一种轨迹行为驱动的技术路径，可服务于导航地图更新、交通管理调度和城市应急响应。
方法将车辆是否偏离历史正常路径作为关键证据，能更直接反映道路封闭对驾驶行为的影响。
通过显式考虑拓扑连通、行驶方向与禁转规则，降低复杂交叉口和多路径场景下的误报风险。
可为导航路径规划、道路状态更新、城市交通管制感知和突发事件应急调度提供实时数据支撑。