当前位置：首页 > news >正文

2026 IEEE TITS，无人机—地面交通协同的城市应急多模式运输调度优化

news 2026/7/15 17:38:06

1.摘要

先进空中交通发展初期，无人机（UAV）仍受续航、多机冲突和计算负荷制约。论文提出 UAV—公交—出租车协同的城市应急模式 UBT：UAV 日常搭载在公交车顶巡航并充电，突发事件发生后可直接飞行，也可招募附近空载出租车完成去程、返程或双向中继。论文建立考虑公交移动轨迹、出租车时空分布、响应延迟、UAV 悬停时间和中继成本的单机与多机调度模型，以多层感知机预测空载出租车数量和网格间行程时间，再用非重叠覆盖增益贪心算法选择搭载 UAV 的公交。

2.数据基础与可行性分析

研究使用三类真实数据。深圳公交轨迹数据含 1.3 万余辆公交和 3000 万余条记录，采样间隔约 10 s；出租车数据覆盖 1.4 万余辆车、连续 7 天，采样间隔同样约 10 s，并包含载客状态；作者还通过百度地图 API 采集深圳中心城区约 350 km² 内 2025 年 5 月 27 日至 6 月 3 日 06:00–20:00 的拥堵信息，以 5 min 为间隔获得 5400 余个真实事件。

论文将全城离散为时空网格，并以应急时空覆盖率（ESTC）衡量可完成完整响应流程的网格比例：

E S T C = # of grids UAVs can respond to # of total grids ESTC = \frac{\# \text{ of grids UAVs can respond to}}{\# \text{ of total grids}}ESTC=#of total grids#of grids UAVs can respond to

出租车轨迹覆盖深圳大部分约 2500 km² 区域，全天运营车辆数稳定在约 1.4 万辆，平均空载率为 58.8%，凌晨 4 时可达 79.2%，因而能在公交班次稀疏或线路未覆盖区域提供中继。模型据此假设 UAV 起降不影响公交和出租车正常行驶，车辆具备实时通信能力，搭载 UAV 的公交配置边缘计算设备，满足条件的出租车完全服从调度且可充分接近公交和事件点。

3.单 UAV 应急调度

车辆时空模型与四种响应模式

公交轨迹表示为带时间戳的网格序列；出租车运行时段被划分为等长时间槽，N u n ( g i , s j ) N_{un}(g_i,s_j)Nun(gi,sj)表示时槽s j s_jsj内网格g i g_igi的空载出租车数。若公交所在网格存在空载出租车，则该出租车可承担 UAV 去程中继；返程中继还要求事件网格在 UAV 完成悬停时存在空载出租车，并能先于公交到达会合网格。

**响应过程分为四种模式：无出租车中继；仅去程由出租车中继；仅返程由出租车中继；去程与返程均由出租车中继。**出租车承担长距离地面运输时，UAV 只需在公交、出租车和事件点之间进行短距离转移，从而把更多电量留给现场悬停。

能耗、会合与出租车招募

设α 1 \alpha_1α1和α 2 \alpha_2α2分别为飞行与悬停功耗系数，T h ( i ) T_h^{(i)}Th(i)为模式i ii的现场悬停时间，ε \varepsilonε为 UAV 与地面车辆之间的短距离转移，D ( ⋅ , ⋅ ) D(\cdot,\cdot)D(⋅,⋅)为网格中心距离。四种模式核心能耗

E m ( 1 ) = α 1 [ D ( G 1 ( b ) , G p ) + D ( G p , G e ( 1 ) ) ] + α 2 T h ( 1 ) , E m ( 2 ) = α 1 [ ε + D ( G p , G e ( 2 ) ) ] + α 2 T h ( 2 ) , E m ( 3 ) = α 1 [ D ( G 1 ( b ) , G p ) + 2 ε ] + α 2 T h ( 3 ) , E m ( 4 ) = 3 α 1 ε + α 2 T h ( 4 ) . \begin{aligned} E_m^{(1)}&=\alpha_1\left[D(G_1(b),G_p)+D(G_p,G_e^{(1)})\right]+\alpha_2T_h^{(1)},\\ E_m^{(2)}&=\alpha_1\left[\varepsilon+D(G_p,G_e^{(2)})\right]+\alpha_2T_h^{(2)},\\ E_m^{(3)}&=\alpha_1\left[D(G_1(b),G_p)+2\varepsilon\right]+\alpha_2T_h^{(3)},\\ E_m^{(4)}&=3\alpha_1\varepsilon+\alpha_2T_h^{(4)}. \end{aligned}Em(1)Em(2)Em(3)Em(4)=α1[D(G1(b),Gp)+D(Gp,Ge(1))]+α2Th(1),=α1[ε+D(Gp,Ge(2))]+α2Th(2),=α1[D(G1(b),Gp)+2ε]+α2Th(3),=3α1ε+α2Th(4).

单公交联合应急效用

对公交b bb和模式i ii，作者把响应延迟、悬停时间和出租车成本归一化后构成联合效用：

C b ( i ) = ω 1 T d e l a y max ⁡ − T d e l a y ( i ) T d e l a y max ⁡ + ω 2 T h ( i ) T p max ⁡ + ω 3 C r e l a y max ⁡ − C r e l a y ( i ) C r e l a y max ⁡ . C_b^{(i)}=\omega_1\frac{T_{delay}^{\max}-T_{delay}^{(i)}}{T_{delay}^{\max}}+\omega_2\frac{T_h^{(i)}}{T_p^{\max}}+\omega_3\frac{C_{relay}^{\max}-C_{relay}^{(i)}}{C_{relay}^{\max}}.Cb(i)=ω1TdelaymaxTdelaymax−Tdelay(i)+ω2TpmaxTh(i)+ω3CrelaymaxCrelaymax−Crelay(i).

4.多 UAV 调度与公交选择

出租车需求与行程时间预测

作者建立两个多层感知机（MLP）任务，分别预测任意时空网格的空载出租车数量，以及出租车从一个网格到另一网格的行程时间。输入包含出租车轨迹、城市网格和时间特征，前 5 天数据用于训练、后 2 天用于验证；网络采用全连接层、Leaky-ReLU 激活函数和 Huber 损失，以兼顾异常值鲁棒性。预测结果与公交轨迹共同进入应急效用计算，为公交招募提供未来出租车可用性与中继时长。

联合覆盖模型与 NOCG-Greedy

公交b i b_ibi的联合覆盖效用对全部网格和时间求和：

U C U b i = ∑ t ∈ S ∑ g r ∈ G C b i U n i o n ( g r , t ) . UCU_{b_i}=\sum_{t\in S}\sum_{g_r\in G}C_{b_i}^{Union}(g_r,t).UCUbi=t∈S∑gr∈G∑CbiUnion(gr,t).

城市管理者在预算B BB下选择公交子集B s B_sBs，使其联合覆盖效用最大。

NOCG-Greedy 每轮计算候选公交对尚未覆盖时空网格的新增效用，选取增益最大的公交，更新已覆盖网格，再继续选择，直至达到车辆数或预算上限。

5.实验结果

实验将搭载 UAV 的公交数设置为 10–50 辆，候选公交比例为 15%–30%，ERD 为 5–30 min。评价指标包括应急延迟（ED）、覆盖面积（CA）、ESTC、能量利用率（EUR）、车辆招募成本（VRC）和基础设施成本（IC）。NOCG-Greedy 与普通 Greedy、遗传算法、蚁群算法和粒子群算法比较；完整 UBT-ST 还与随机选车 UBT-R、最长运营时间 UBT-T、最大空间范围 UBT-S、仅公交协同 UB 以及固定应急站集中式系统 CES 比较。随机事件测试包含 1200 个事件，每种 ERD 设置 200 个。

覆盖能力与时段鲁棒性

在不同候选公交比例下，NOCG-Greedy 始终覆盖 2559 km²，ESTC 保持 100%；普通 Greedy、GA、蚁群和 PSO 的平均 ESTC 分别为 82.75%、85.74%、85.51% 和 87.8%。NOCG-Greedy 仅用 10 辆公交即可实现全城空间覆盖，用 30 辆搭载 UAV 的公交即可获得全天候 100% 时空覆盖。UBT-ST 在各时段的 CA 均稳定为 2559 km²，而仅公交的 UB 在午夜覆盖面积降至 1868 km²、ESTC 仅为 72.74%，说明出租车可弥补夜间公交线路与班次不足。

响应时长、能量和覆盖权衡

在 1200 个随机事件上，UB 的平均 ED 最短，为 287.5 s；UBT-ST 为 317.2 s，出租车中继带来一定地面行程时间。论文同时指出，UB 的延迟只统计其成功覆盖的事件，未对未覆盖事件施加惩罚。UBT-ST 的平均悬停时间达到 2105 s，EUR 为 87.1%，而 UB 的 EUR 为 62.7%、CES 为 54.7%。随 ERD 从 5 min 增至 30 min，UBT-ST 的平均 ESTC 仍为 98.7%，明显高于 UBT-T 的 54.8%、UBT-S 的 67.1%、UBT-R 的 61.0%、UB 的 69.6% 和 CES 的 46.4%。

招募与基础设施成本

达到 95% ESTC 时，UBT-ST 只需 5 辆公交，而 UBT-T、UBT-S、UBT-R 和 UB 分别需要 430、92、392 和 5000 辆。UBT-ST 平均日车辆招募成本为 2.9 万元，UB 为 78.15 万元；其平均基础设施成本为 28.12 万元，UB 在 95% 覆盖时达到 7479.9 万元。固定应急站 CES 即使启用 50 个站点，基础设施成本为 74.995 万元，总覆盖率仍只有 66.3%，覆盖重叠率达 77.8%，反映中心城区站点集聚导致的重复投资。

6.结论

UBT 将现有公交、空载出租车和 UAV 组织为多模式城市应急网络。单机层面以四种中继模式在抵达速度、悬停时长和出租车成本间选择；多机层面用数据驱动的出租车状态预测估计未来可用性，再由 NOCG-Greedy 选择新增覆盖效用最大的公交。真实轨迹实验说明，该方案的主要价值不是绝对最短的抵达时间，而是在极少基础设施投入下扩大全天候时空覆盖、提高现场悬停时间和能量利用率。

7.参考文献

Xia H, Zhang M, Ma Z, et al. Optimization of Urban Emergency Multimodal Transportation Scheduling With UAV-Ground Traffic Coordination[J]. IEEE Transactions on Intelligent Transportation Systems, 2025, 27(1): 692-708.