随着GPS设备的广泛使用,居民的日常出行越来越依赖于地图导航软件,为了保证电子地图的高精度,导航软件亟需感知道路网络的动态变化以更新电子地图。近年来,大量的文献致力于发现道路网络中的缺失道路、检测道路交叉口位置及其覆盖范围等道路拓扑结构变化的研究。但是在道路网络中,由于交通事故、交通管制、修路等因素会导致部分原本可通行的路段短时或长期无法正常通行,如果不及时检测该类事件,不仅会给居民出行带来不便,还会造成巨大的经济损失。随着基于位置服务技术的迅速发展,各个数据平台累积了巨量的轨迹数据,以及丰富的路段实时信息。从业人员和研究人员可以利用这些海量的时空数据来实时检测路段的封闭情况,并对电子地图进行更新。传统的导航软件主要通过为使用者提供路段封闭实时上报的功能模块来实现封闭道路检测,此类方法费时费力,且更新周期长,不能保证检测的准确性与时效性。现有的道路封闭检测研究均是基于道路交通流量单特征进行考虑,其只能识别出全封闭的道路,无法对一些较复杂的封闭类型进行识别,并且容易将交通拥堵误判为封闭事件。为解决上述问题,本文首次提出了一个多特征融合的道路封闭检测框架,由离线封闭特征建模部分和在线道路封闭检测部分组成。在离线道路封闭特征建模阶段,本文首先将道路网络均等划分为网格,然后提取所有道路之间的关联强度,再从历史数据中提取网格的封闭特征和道路的封闭特征,比如网格车流量,道路转向流量和U型弯频次。在在线道路封闭检测阶段分为候选封闭网格筛选和道路封闭检测两个步骤,鉴于封闭特征的时空依赖性,针对不同的检测对象,结合卷积神经网络,长短期记忆神经网络以及图卷积神经网络,预测当前时间段内每个网格（或道路）的封闭特征值,通过计算每个网格（或道路）的封闭特征预测值与真实值之间的差异,将它们与预定义的阈值进行比较,最终确定封闭道路。最后,基于成都、上海和北京三个真实出租车轨迹数据的大量实验结果验证了方法的有效性和高效性。本文的工作主要为以下内容:·离线封闭特征建模在此阶段,本文首先将道路网络均等划分为网格,并建立轨迹数据与网格编号的反向索引。再使用基于隐马尔科夫的地图匹配算法,通过历史轨迹数据获取每条轨迹对应的路段序列。然后基于路段序列的统计量获取每两个邻接路段之间的关联强度。最后得到每个网格和道路的历史小时级的车流量序列和转向流量序列,并基于转向点DBSCAN聚类算法提取每条道路上的U型弯频次序列。·在线道路封闭检测在此阶段,本文首先通过卷积神经网络结合长短期记忆神经网络的预测模型,根据网格车流量特征筛选出候选封闭网格。再通过图卷积神经网络结合长短期记忆神经网络的预测模型,根据道路的转向流量特征和U型弯频次特征,检测封闭道路。·道路封闭类型判别在此阶段,本文为了确定不同的封闭类型,在时间方面,基于封闭的周期性和持续性对封闭类型进行判别。在空间方面,基于封闭路段轨迹的偏航程度,结合Wassertein距离,进一步区分特殊的合并道路封闭类型。综上所述,本文提出了一种多特征融合的道路封闭检测框架,在三个真实的轨迹数据集上进行了有效性和效率实验,证明本方法的优越性。