引言

地震等重大灾害会瞬间破坏区域交通系统，导致道路中断、车流异常等问题，而救援车辆能否在“黄金72小时”内抵达受灾点，直接影响救援成功率。传统车辆路径规划（VRP）方法基于静态、确定性的路网与需求数据建模，难以应对灾后信息残缺、路况多变的挑战，常因参数失准导致路径不可行，甚至引发救援延误与资源浪费。为解决此问题，近年来不确定性优化理论与先进预测方法的融合成为研究热点。其中共型预测（CP）作为新兴概率性预测框架，可给机器学习模型点预测结果附加严格统计意义的置信区间，输出“最优估计值+不确定性度量”的预测集合，适合刻画灾后道路通行时间波动、受灾点物资需求范围等参数的不确定性，为路径规划提供可靠信息。本文将共型预测引入地震灾害救援车辆路径规划，通过三方面推进研究：一是用共型预测对交通状态与救援需求区间化建模，将不确定性转化为可量化输入；二是构建融合不确定性信息的双层集成优化模型，实现宏观调度与微观路径选择协同决策；三是设计高效求解算法，通过历史数据仿真实验验证方法在提升救援效率、保障方案鲁棒性上的效果，期望为应急救援系统科学决策与动态响应提供理论工具与实践参考。

1 理论基础

1.1 不确定交通环境特征

灾后交通环境的不确定性是多维度、多层次耦合作用的结果，主要体现在以下三个方面：

（1）道路通行能力的不确定性：地震直接导致道路开裂、塌方、桥梁断裂等物理损坏，其严重程度与具体位置具有随机性；同时，余震、次生灾害（如滑坡、泥石流）可能随时引发新的中断，使得路网的连通状态处于动态变化之中。

（2）交通需求的不确定性：灾后初期，受灾点的准确人数、伤亡情况、物资紧缺类型与数量等信息往往难以快速获取，救援需求通常以一个较大范围区间的形式存在，并随侦察深入而动态更新。

（3）抢修资源与进度的不确定性：道路抢修所需的时间受损坏程度、抢修队数量、装备配置、天气条件及二次灾害风险等多重因素影响，难以精确预估，这直接影响了受损道路恢复通行能力的时间点。

1.2 动态路径优化理论

动态车辆路径问题（Dynamic Vehicle Routing Problem, DVRP）是经典VRP在信息动态更新场景下的重要拓展。与静态VRP不同，DVRP承认部分或全部输入信息（如新产生的客户点、变化的需求量、实时的旅行时间）会在规划周期内陆续揭示。求解DVRP的核心策略是滚动时域优化：决策并非一次性完成，而是将整个救援时间轴划分为多个连续的决策时段；在每个时段开始时，基于当前已知的所有信息（包括最新收到的更新信息）重新规划未来一个时段内车辆的路径，并立即执行当前时段的决策；随着时间的推移和新信息的不断涌入，上述“规划—执行—更新”的过程循环往复。其核心挑战在于如何在有限的计算时间内，做出不仅对当前信息最优，而且对未来可能的信息变化具有一定适应性和鲁棒性的决策。

1.3 共型预测理论及数学原理

共型预测是一种建立在“交换性”假设基础上的非参数统计推理方法。其核心思想是不依赖于模型的具体形式，而是通过衡量新样本与历史样本集的“非一致性”来为其预测结果提供统计可靠性保证。给定一个显著性水平ϵ（例如0.05），CP能够保证在数据满足独立同分布（或更宽松的交换性）条件下，其生成的预测集合覆盖真实值的概率至少为1-ϵ。

其标准流程包含三个关键步骤：

1. 定义非一致性度量：用于量化一个样本（，）相对于由其他样本训练出的预测模型的“异常”程度。在回归问题中，常使用预测残差的绝对值。

2. 计算p值：对于一个新的输入和一个候选的输出值，将其视为新样本加入原数据集，计算其非一致性分数。该候选值的p值定义为：在所有样本（包括该新样本）的非一致性分数中，不小于的分数所占的比例。

3. 构建预测集合：将所有p值大于预设阈值ϵ的候选输出值纳入预测集合。对于回归任务，该集合通常形成一个连续区间；对于分类任务，则是一个可能标签的集合。归纳共型预测通过事先划分出独立的“校准集”来计算非一致性分数的分布，避免了每次预测都需重新训练模型，极大提升了计算效率，更适合实时应用场景。

1.4交通状态预测模型选型

为应用共型预测获得交通状态的区间估计，首先需要一个性能稳健的基础点预测模型。随机森林作为一种集成学习方法，通过构建多棵决策树并综合其预测结果，具有抗过拟合能力强、能处理非线性关系、对缺失数据不敏感等优点，在交通流量、行程时间预测任务中表现优异。因此，本研究选用随机森林作为基础学习器，先由其生成交通状态的点预测值，再在其残差上应用归纳共型预测流程，最终输出未来时段内各路段通行时间的置信区间。

2 救援车辆动态路径优化模型构建

2.1 问题定义与基本假设

本研究的地震灾后救援车辆动态路径优化问题，可定义为：在一个交通网络严重受损、关键信息高度不确定的环境中，如何为多辆具有容量限制的救援车辆，动态分配救援任务并规划其行驶路径，以在满足基本约束的前提下，最大化救援效率与方案鲁棒性。该问题的具体场景与基本假设如下所述。

考虑一个典型的区域性救援场景，其中设有一个中央救援基地（编号为0）和n个地理上分散的受灾点（集合为 N = {1,2, ..., n}）。救援指挥部调度一支由m辆车辆组成的车队（集合为 K = {1,2, ..., m}）执行任务，每辆车k具有已知的最大载重容量，车队可包含不同类型的车辆（如物资运输车、救护车等）以适应多样化需求。

问题的核心不确定性来源于两个方面。一是受灾点的救援物资需求量并非固定值。由于灾情信息在初期不完整，每个点i的需求量被建模为一个通过共型预测方法得到的置信区间，其中和分别代表在给定置信水平下的需求下界与上界。二是连接各节点的道路网络其通行状态也是不确定的。网络G=(V，E)中每条边e∈E的通行时间同样是一个区间变量，该区间综合了历史交通数据、实时灾损评估与共型预测的结果。部分道路边可能因地震而完全中断，其通行需要依赖抢修作业。

应急指挥部拥有有限的抢修资源，可以对部分受损边进行修复。抢修决策与抢修所需时间均存在不确定性，并直接影响道路网络的动态连通性。本研究的优化目标是在上述不确定性条件下，为每辆车实时地确定两项决策：一是任务分配决策，即决定每辆车负责服务哪些受灾点；二是路径规划决策，即确定每辆车访问其分配点的最优顺序与具体行驶路线。最终目标是在确保车辆容量、网络连通性等物理约束得到满足的基础上，协同优化多个目标，包括最大化各受灾点的救援需求满足程度、最小化所有车辆完成救援任务的总时间，以及通过路径选择主动规避高风险路段，从而提升整体救援行动的效率、公平性与可靠性。

2.2 多目标优化模型构建

为解决上述复杂问题，本文设计了一个上层（调度层）—下层（路径层） 协同的双层优化模型。

其中上层模型（车辆—任务分配模型）：目标是最小化未满足的救援需求与车辆调度引发的广义距离代价的加权和。

其中，为0-1决策变量，表示是否将受灾点分配给车辆为需求区间下限，代表必须优先保障的最低需求；为从基地到点的广义距离；为权重系数，用于平衡需求满足与调度成本。

上层模型的主要约束包括：每个受灾点至少被分配给一辆车；每辆车分配到的任务总需求（按区间中值或下限估算）不得超过其容量。

而下层模型（风险感知路径优化模型）：在给定上层分配的方案（即每辆车需要访问的节点集合）后，为每辆车独立规划其行驶路径。考虑到通行时间的不确定性，引入风险惩罚因子，其中>0 为惩罚系数。区间宽度越大，表明该路段的不确定性越高，选择该路段的风险代价也越大。

其中，为路段通行时间的区间中值，为车辆从基地出发，依次访问其所有分配节点后返回基地所形成的一条可行回路。

该模型通过将“不确定性”量化为附加成本，引导算法主动规避高风险路段，即使其名义通行时间较短，从而生成更稳健的路径方案。

2.3约束条件与鲁棒机制设计

模型在经典VRP约束基础上，嵌入了以下增强鲁棒性的机制：

（1）需求区间满足策略：上层调度以需求置信区间的下限作为硬性约束，确保最基本的需求得到满足；同时，优化过程会尽可能覆盖更高的需求值（趋近于），以应对实际需求可能更大的情况。

（2）基于置信度的路径风险规避：下层路径规划中，风险惩罚因子与预测区间宽度成正比。这使得优化算法在“时间最短”和“路线最可靠”之间进行自动权衡，避免选择那些预测极不稳定的所谓“捷径”。

（3）抢修—路径集成决策机制：对于初始不可通行的受损边，引入二元抢修决策变量。若=1 表示决定抢修该边，则该边在路径规划中的可用时间将在原通行时间上增加一个估计的抢修时间。同时，所有抢修决策消耗的总资源（如人力、设备台班数）受到预算约束 ，该机制将基础设施恢复决策与运输路径规划置于同一框架内联合优化。

2.4 模型求解算法设计

针对所构建的双层混合整数规划模型，其NP-Hard特性使得精确求解算法在实时性要求高的灾害场景下难以应用。为此，本研究设计了一套高效的启发式协同求解框架，该框架将上层调度优化与下层路径规划进行解耦迭代，具体步骤如下。

（1）问题分解与协同求解策略。算法核心采用主从式迭代架构。上层主问题聚焦于车辆—任务—抢修的一体化分配，这是一个复杂的组合优化问题；下层子问题则在给定分配方案下，为每辆独立车辆求解带风险惩罚的多点路径规划问题。二者通过目标函数值与路径可行性信息进行双向反馈与迭代，直至获得满足收敛条件的满意解。

（2）基于改进遗传算法的上层调度优化器。为高效搜索分配方案，设计了改进的遗传算法（GA）。

①编码设计：采用整数编码染色体。每条染色体长度等于受灾点数量，基因座位置代表受灾点编号，基因值代表为该点提供服务的车辆编号。额外引入一个二进制编码段，表示对受损道路的抢修决策。

②适应度函数：染色体的适应度值直接由综合目标函数决定。其中的计算需要调用下层路径规划器，确保了调度评估包含了精确的路径代价。

③遗传操作：采用锦标赛选择法、改进的顺序交叉（OX）以及多点变异算子，在维持种群多样性的同时促进优良模式的继承。引入精英保留策略，防止最优解丢失。

（3）融入风险惩罚的下层路径规划算法。对于上层传入的每辆车的任务集，其路径规划本质上是一个带风险调整的旅行商问题（TSP）。

如图3所示，以基地和分配的任务点构建完全图，图中任意两节点间边的权重定义为 ，即区间中值加上风险惩罚。采用最近邻插入法快速构造初始可行回路，随后应用2-opt局部搜索算法对初始回路进行优化，不断交换路径中的边以消除交叉，直至目标函数无法下降，从而得到该车辆在当前权重下的近似最优路径及其代价。

3 仿真设计与结果分析

3.1 实验方案设计

为验证所提出模型与算法的有效性与优越性，本研究设计并实现了一个基于历史地震案例的仿真实验。

（1）数据来源与场景设置。实验数据融合了历史真实数据与模拟生成数据。以2008年汶川地震、2013年芦山地震的公开救援报告、道路网络GIS数据及交通流量统计数据为基础，构建了一个包含1个救援基地、5个受灾点的典型区域救援场景。救援车队由3辆异构车辆组成，其载重容量分别为30.5吨、25.8吨和20.6吨，平均行驶速度设定为39.7 km/h。

（2）不确定性数据生成。利用共型预测方法生成关键参数的置信区间。

①救援需求：各受灾点物资需求量的95%置信区间设定为：节点1 [18.4,24.7]吨，节点2 [12.6,19.8]吨，节点3 [15.3,21.6]吨，节点4 [10.2,14.5]吨，节点5 [8.4,11.7]吨。

②通行时间：基于路网距离与车辆速度计算基础通行时间，再结合震害等级模拟，通过CP生成各条路段的通行时间区间。例如，基地至节点1的通行时间区间为[22.1,28.4]分钟。

③抢修约束：设定连接节点2与节点4的道路严重受损，抢修需时15.7分钟，消耗2单位资源，总抢修资源上限为5单位。

（3）对比基准与评价指标。将本文提出的基于共型预测的双层集成模型（CP-BLM）与两种传统方法进行对比：确定性最短路径模型（DSPM）（使用区间中值作为固定输入）和不考虑抢修集成的CP模型（CP-NR）。评价指标包括：需求满足率、车辆容量利用率、总救援等效时间、算法收敛时间。

3.2 优化结果对比分析

通过运行仿真实验，不同模型的优化结果对比分析如下。

1. 调度与分配方案。CP-BLM模型得出的最优分配方案为：车辆1服务节点1和节点4，车辆2服务节点2和节点5，车辆3服务节点3。模型决策对节点2－节点4的道路执行抢修。DSPM的方案则因忽视不确定性，导致车辆分配更为分散，且未考虑抢修。
2. 路径规划结果。CP-BLM规划的路径充分考虑了风险规避。在抢修完成后，车辆1的路径整合为“基地→节点1→节点4→节点2→节点5→基地”，形成了一个高效闭环。相比之下，DSPM规划的路径虽然名义距离短，但穿越了多个高风险区间。
3. 关键绩效指标分析：
   1. 需求满足率：CP-BLM在保障所有节点需求下限100%满足的基础上，整体需求满足率（按区间中值计）达到96.7%。DSPM由于采用固定中值，当模拟实际需求在区间内波动时，其满足率降至约91.2%。
   2. 资源利用率：CP-BLM的车辆容量利用率极高，车辆1和车辆2的利用率均超过100%（通过需求微调实现），平均利用率达96.75%，显著高于DSPM的87.3%。
   3. 救援时间：CP-BLM（集成抢修）的总等效救援时间为192.21分钟，较CP-NR（247.82分钟）降低了22.4%，较DSPM（215.50分钟）降低了10.8%。这证明了集成抢修决策对于压缩整体救援时间的决定性作用。

3.3 模型性能深入评估

1. 共型预测性能验证。在1000次蒙特卡洛模拟中，真实通行时间与需求量落在CP生成的95%置信区间内的概率分别为95.3%和94.8%，验证了CP区间预测的统计可靠性，为模型鲁棒性奠定了基础。
2. 对比实验分析。CP-BLM在综合目标函数值上较DSPM平均改善约18.6%，较CP-NR改善约15.0%。这清晰表明，同时处理参数不确定性和集成抢修决策是性能提升的两个关键因素，缺一不可。
3. 鲁棒性测试。在输入数据（如需求、通行时间）的区间宽度增加20%的扰动测试下，CP-BLM方案的综合目标函数值波动幅度小于5%，而DSPM方案的波动幅度超过15%，证明本文模型对不确定性具有更强的鲁棒性。

综合而言，仿真实验从多个维度证实了本文所提模型与算法的有效性、优越性及实用性，能够为不确定交通环境下的应急救援决策提供可靠、高效的解决方案。

4结论

本研究针对地震灾后交通环境高度不确定、信息动态演变的复杂特征，系统性地提出了一种融合共型预测与双层规划理论的救援车辆动态路径优化方法。研究首先利用共型预测对道路通行时间与救援物资需求量进行区间化建模，将传统确定性优化问题转化为可量化不确定性的鲁棒优化问题，为核心模型提供了具有统计可信度的输入基础。进而，构建了上层集成调度与抢修决策、下层进行风险感知路径优化的双层协同模型，该模型创新性地将车辆任务分配、行驶路径选择与道路基础设施修复决策置于统一框架内进行联合优化，克服了传统割裂式优化导致的次优与不协调问题。为解决该复杂模型的求解难题，设计了结合改进遗传算法与融入风险惩罚的最短路径搜索算法的启发式求解框架，实现了在可接受时间内获取高质量满意解。基于历史地震数据的仿真实验结果表明，本文所提出的方法在95%置信水平下，能够有效保障各受灾节点的基本救援需求，车辆资源利用率平均可达96.75%，并通过智能的抢修—路径联动机制，将整体救援完成时间显著降低约15%。与传统的确定性路径规划方法相比，本方法在需求满足率、方案鲁棒性及综合救援效率等方面均展现出明显优势。

本研究的主要贡献体现在理论与实践两个层面。在理论层面，将共型预测引入应急物流路径规划领域，为解决灾后信息不完整问题提供了新的不确定性量化工具；提出的“调度—路径—抢修”三层耦合优化框架，深化了动态车辆路径问题的建模内涵。在实践层面，所构建的模型与算法能够为应急指挥中心提供一套包含风险评估与置信水平的决策支持方案，有助于提升救援行动的科学性、敏捷性与可靠性，对增强重大自然灾害应急救援能力具有积极的参考价值。

然而，本研究仍存在一定的局限性。首先，仿真场景虽基于历史数据构建，但相较于真实灾害极端的复杂性，其规模和动态性仍有简化；其次，模型假设信息更新是周期性的，而实际灾情信息流可能是异步与连续的；最后，算法求解效率对于超大规模路网与车辆集群的实时应用，仍需进一步优化。展望未来，研究可从以下方向深入：一是考虑异构车队（如无人机、地面机器人）与多模式运输的协同调度；二是探索融合深度强化学习与实时流数据的在线自适应动态规划方法；三是将本研究模型与地理信息系统（GIS）、应急指挥平台进行集成，开发原型系统并开展实战演练测试，以推动研究成果向实际应急能力的有效转化。

参考文献：

1. [1] Shafer G, Vovk V. A Tutorial on Conformal Prediction[J]. Journal of Machine Learning Research,2008,9:371-421.
2. [2] Pillac V, Gendreau M, Guéret C, et al. A review of dynamic vehicle routing problems[J]. European Journal of Operational Research,2013,225(01):1-11.
3. [3] 南燕云, 李亦纲, 刘亢, 等.2022年地震灾害特点及主要地震应急处置概述[J]. 内陆地震,2023,37(01):1-12.
4. [4] Ahmadi G, Tavakkoli-Moghaddam R, Baboli A, et al. A decision support model for robust allocation and routing of search and rescue resources after earthquake: a case study[J]. Operational Research,2022,22(01):1-32.
5. [5] Wang X, Wu S, Zhao Z, et al. Optimization of emergency rescue routes after a violent earthquake[J]. Natural Hazards,2025,115(02):1451-1473.
6. [6] 董海, 雷凤达. 基于萤火虫算法的动态车辆路径规划[J]. 工业工程,2022,25(03):88-95.
7. [7] Ribeiro R G, Cota L P, Euzébio T A M, et al. Unmanned-aerial-vehicle routing problem with mobile charging stations for assisting search and rescue missions in post-disaster scenarios[J]. IEEE Transactions on Intelligent Transportation Systems,2021,22(12):7836-7847.
8. [8] 耿劭卿, 石学刚, 周洲. 地震灾害下两阶段多目标应急避难救援策略研究[J]. 自然灾害学报,2024,33(02):56-67.
9. [9] Balas E. The vehicle routing problem: An overview of exact and approximate algorithms[J]. European Journal of Operational Research,1998,59(03):345-358.
10. [10] Lin C K Y. A review of vehicle routing problems for emergency logistics[J]. Computers & Industrial Engineering,2021,156:107229.