目录1.摘要2.数据基础与可行性分析3.单 UAV 应急调度4.多 UAV 调度与公交选择5.实验结果6.结论7.参考文献8.算法辅导·应用定制·读者交流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 UBTUAV 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[\varepsilonD(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)​)]α2​Th(1)​,α1​[εD(Gp​,Ge(2)​)]α2​Th(2)​,α1​[D(G1​(b),Gp​)2ε]α2​Th(3)​,3α1​εα2​Th(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)​ω1​Tdelaymax​Tdelaymax​−Tdelay(i)​​ω2​Tpmax​Th(i)​​ω3​Crelaymax​Crelaymax​−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∑​Cbi​Union​(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 km²ESTC 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 sUBT-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 sEUR 为 87.1%而 UB 的 EUR 为 62.7%、CES 为 54.7%。随 ERD 从 5 min 增至 30 minUBT-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): 692-708.8.算法辅导·应用定制·读者交流xx