基于地-空协同模式的灾后城市路网修复策略优化

doi:10.16381/j.cnki.issn1003-207x.2024.2093

Abstract

Abstract:

In recent years， the increasing frequency of extreme weather events has caused significant disruptions to urban transportation networks， leading to reduced road capacity， impaired mobility， severe economic losses， and even casualties. Efficient road network restoration strategies are critical for rapidly restoring functionality and enhancing network resilience. However， traditional approaches primarily focus on ground transportation， neglecting the emerging potential of ground-air coordinated systems.The application of the ground-air coordinated mode in future urban settings is explored and a multimodal transportation network framework integrating urban surface traffic and low-altitude air mobility is developed. Considering network resilience， repair crew dispatching costs， and multimodal traffic flow distribution， a bi-level optimization model for post-disaster road network restoration is proposed. The upper-level model determines the repair sequence for damaged road segments and the allocation of low-altitude air traffic resources， while the lower-level model incorporates an extended user equilibrium traffic assignment framework that accounts for ground-air collaboration. Based on the characteristics of the model， an adaptive large neighborhood search heuristic algorithm based on node importance is developed. The proposed model and algorithm are validated using the Sioux-Falls network. Results demonstrate that the ground-air collaborative mode effectively alleviates ground traffic congestion， accelerates road network recovery， and enhances overall resilience. It provides a theoretical basis for optimizing urban road network restoration strategies in response to major emergencies.

Key words: UAM, road restoration strategies, bi-level programming model, road network resilience, ground-air coordinated model

CLC Number:

U491.1+7

Xinya Liu,Jianjun Wu,Yunchao Qu, et al. Optimization of Post-disaster Transport Network Restoration Strategies Considering Ground-Air Coordination[J]. Chinese Journal of Management Science, 2026, 34(1): 256-267.

Figures/Tables 16

符号		定义
集合	$V, V L, V U$ $V O, V D$	网络节点集合 $V$ ，地面交通节点集合 $V L$ ，城市低空交通节点集合 $V U$ ， $r, s ∈ V$ ；虚拟起点集合 $V O$ ，虚拟起点 $O r ∈ V O$ ；虚拟终点集合 $V D$ ，虚拟终点 $O s ∈ V D$ ；
	$A, A *, A L, A U$	$A$ 为所有路段集合，包括地面路段 $A L$ 和低空交通线路 $A U$ , $A = A L + A U$ 。 $A $ 为受损路段集合， $A ∈ A L$
	$H$	施工队集合， $h ∈ H$ ， $H = {1,2, 3, …, h}$
	$K$	所有出行需求OD (Origin-Destination，起讫点) 对集合， $k ∈ K$
	$N$	时间集合， $n ∈ N$ ， $N = {1,2, 3, …, n}$ ，单位：天
参数	$ρ 1, ρ 2, ρ 3, ρ 4$	地-空协同交通网络的费用系数， $ρ 1$ 为维修队调度的费用系数； $ρ 2, ρ 3, ρ 4$ 为城市低空交通网络中各项费用的权重系数，其中 $ρ 2$ 为eVTOL的运营管理费用系数； $ρ 3$ 为eVTOL的空中运行费用系数； $ρ 4$ 为低空交通车站的运营费用系数
	$ω 1$	eVTOL的容量
	$ω 2$	地面交通工具的容量
	$α$	低空交通系统中路线距离与通行能力的关联系数
	$D i j$	路段 $(i, j)$ 的维修时间, $(i, j) ∈ A *$
	$C i j 0$	路网受损但未开始维修时，路段 $(i, j)$ 的总容量， $(i, j) ∈ A *$
	$C i j *$	路段 $(i, j)$ 总容量的期望值，即路网未受损状态下路段总容量， $(i, j) ∈ A *$
	$m i j i' j'$	维修队的调度时间，即维修队从路段 $(i', j')$ 调度到路段 $(i, j)$ 所需的时间， $(i', j'), (i, j) ∈ A *$
	$t i j 0$	自由流情况下，路段 $(i, j)$ 的交通阻抗， $(i, j) ∈ A$
	$M 1$	参与构建低-空协同网络的城市低空交通车站的数量
	$M 2$	eVTOL的总数量
	$κ i j 0$	低空线路 $(i, j)$ 的自由流时间
	$ϖ i j$	低空线路 $(i, j)$ 起终点的距离
变量	$C i j n$	第 $n$ 天路段 $(i, j)$ 的总容量， $(i, j) ∈ A L$
	$s i j h$	维修队 $h$ 到达路段 $(i, j)$ 的时间， $(i, j) ∈ A *, h ∈ H$
	$t i j n$	第 $n$ 天时，地面交通网络中路段 $(i, j)$ 的交通阻抗， $(i, j) ∈ A L$
	$w i j n$	第 $n$ 天时，低空交通线路 $(i, j)$ 的eVTOL的数量，单位：辆， $(i, j) ∈ A U$
	$p i j n k$	第 $n$ 天时，第 $k$ 个OD对经过路段 $(i, j)$ 之间的流量， $(i, j) ∈ A, k ∈ K$
	$x i j n$	第 $n$ 天时，地面交通系统中路段 $(i, j)$ 的交通量，单位：辆， $(i, j) ∈ A L$
	$κ i j n$	第 $n$ 天低空交通系统低空线路 $(i, j)$ 的交通阻抗， $(i, j) ∈ A U$
	决策变量：
	$y i j h$	0-1变量，表示路段 $(i, j)$ 的维修任务是否指派给维修队 $h$ ， $(i, j) ∈ A *, h ∈ H$
	$z i j h i' j'$	0-1变量，表示维修队 $h$ 从路段 $(i', j')$ 调度到路段 $(i, j)$ 的弧是否被选择，即维修队是否在完成路段 $(i', j')$ 的修复之后，修复路段 $(i, j)$ ， $(i, j) ∈ A , (i', j') ∈ A $
	$u i$	0-1变量，若节点 $i$ 的低空交通车站在地-空协同交通网络中，该值为1；否则 $u i = 0$ ， $i ∈ V L$
	$q i j n$	第 $n$ 天时，低空交通线路和地面交通路段 $(i, j)$ 之间的流量，单位：人， $(i, j) ∈ A$

迭代算法：
1:	输入 $i = 1$ , 路段流量 $x a n 1$ , 令最大迭代次数为 $S$
2:	当( $k ≤ S$ )时:
3:	上层模型算法1: 交通流量分配 $x i j n (k)$ →路段维修方案 $y i j h (k), z i j h i' j' (k)$ 与低空交通网络车站 $u i (k)$
4:	更新 $k = k + 1$
5:	下层模型算法2: 路段维修方案 $y i j h (k), z i j h i' j' (k)$ 与低空交通网络车站 $u i (k)$ →交通流量分配 $x i j n (k)$
6:	输出 $y i j h, z i j h i' j', u i$
上层模型算法1: 自适应大邻域搜索算法
1:	输入当前路段维修方案 $y i j h, z i j h i' j'$ 与低空交通网络车站选址 $u i$ ,迭代次数 $t$ ,当前解 $y i j h (t), z i j h i' j' (t), u i (t)$ ,最优解 $y i j h , z i j h i' j' , u i *$ , 破坏算子集合 $Ω -$ ,修复算子集合 $Ω +$ ,阈值 $T$ ,
2:	初始化 $y i j h , z i j h i' j' , u i * = y i j h (t), z i j h i' j' (t), u i (t)$ ; $u - = (1,1, . . ., 1)$ ; $u + = (1,1, . . ., 1)$ ;
3:	循环
4:	基于选择概率 $u -$ 选取破坏算子 $d ∈ Ω -$
5:	更新 $y i j h (t), z i j h i' j' (t), u i (t) = d e s t r o y (y i j h, z i j h i' j', u i)$
6:	基于选择概率 $u +$ 选取修复算子 $r ∈ Ω +$
7:	更新 $y i j h (t), z i j h i' j' (t), u i (t) = r e p a i r (d e s t r o y (y i j h, z i j h i' j', u i)$
8:	计算 $Φ = ∑ n = 1 N ∑ (i, j) ∈ A L x i j n t i j n (x i j n) - N f * N (f d - f ) + ρ 1 ⋅ ∑ (i, j) ∈ A ∑ (i', j') ∈ A * m i j i' j' ∑ h ∈ H z i j h i' j' + ρ 2 ⋅ ∑ n = 1 N ∑ (i, j) ∈ A U w i j n + ρ 3 ⋅ ∑ n = 1 N ∑ (i, j) ∈ A U q i j n ⋅ ϖ i j + ρ 4 ∑ i ∈ V L u i$
9:	若 $φ (y i j h (t), z i j h i' j' (t), u i (t)) < φ (y i j h, z i j h i' j', u i)$ 则
10:	$y i j h , z i j h i' j' , u i * = y i j h (t), z i j h i' j' (t), u i (t)$
11:	结束判断
12:	若 $φ (y i j h (t), z i j h i' j' (t), u i (t)) - φ (y i j h, z i j h i' j', u i) ≤ T$ , 接受解( $y i j h (t), z i j h i' j' (t), u i (t)$ , $y i j h, z i j h i' j', u i$ )则
13:	$y i j h, z i j h i' j', u i = y i j h (t), z i j h i' j' (t), u i (t)$
14:	结束判断
15:	更新 $u +$ 与 $u -$
16:	直到终止条件满足 $y i j h, z i j h i' j', u i = y i j h , z i j h i' j' , u i *$
17:	输出 $y i j h, z i j h i' j', u i$
下层模型算法2: 自适应Frank-Wolfe算法
1:	输入 $ε > 0$ , 解 $y i j h, z i j h i' j', u i$ , 总时间 $N$ , 令 $n = 0$
2:	进行全有全无流量分配 $x a n 0$ , 令计数器 $κ = 0$
3:	对于 $n < N$ :
4:	当 $G (x i j n κ) > ε$ 时:
5:	输入 $x i j n κ$ , 进行全有全无流量分配, 得到各路段流量 $s i j n κ$
6:	寻找下降方向 $d i j n κ = x i j n κ - s i j n κ$
7:	寻找下降步长 $λ κ$ ; $φ' (λ) = ∑ (i, j) ∈ A d i j n κ t i j n (x i j n κ + λ d i j n κ) = 0$
8:	更新 $x i j n κ = x i j n κ + λ κ d i j n κ$
9:	更新 $κ = κ + 1$
10:	当 $x i j n (k) = x i j n κ$ 时, 结束循环
11:	更新 $t i j n = t a 0 [1 + β (x i j n i C i j n) γ]$ , $f (n) = ∑ (i, j) ∈ A x i j n (k) t i j n$
12:	更新 $n = n + 1$
13:	计算 $F = ∑ n = 1 N f (n)$
14:	输出 $x i j n$

References 27

[1]	张渡淯，吴建军，杨欣，等. 复杂网络中的级联失效研究进展［J］. 山东科学， 2024， 37（2）： 85-96.
	Zhang D Y， Wu J J， Yang X， et al. Research progress on cascading failures in complex networks［J］. Shandong Science， 2024， 37（2）： 85-96.
[2]	Duan J， Li D， Huang H J. Reliability of the traffic network against cascading failures with individuals acting independently or collectively［J］. Transportation Research Part C： Emerging Technologies， 2023， 147： 104017.
[3]	Liu K， Zhai C， Dong Y. Optimal restoration schedules of transportation network considering resilience［J］. Structure and Infrastructure Engineering， 2021， 17（8）： 1141-1154.
[4]	王晶，刘昊天，朱建明. 基于韧性城市视角的冰雪天气下路网恢复问题研究［J］. 中国管理科学， 2018， 26（3）： 177-187.
	Wang J， Liu H T， Zhu J M. Study on road network recovery under snow and ice conditions based on the perspective of resilient city［J］. Chinese Journal of Management Science， 2018， 26（3）： 177-187.
[5]	王林，顾生辉，索玮岚. 韧性导向下考虑多重关联的城市关键基础设施防护-修复资源配置研究［J］. 中国管理科学， 2024， 32（6）： 301-311.
	Wang L， Gu S H， Suo W L. Research on a resilience-oriented resource allocation for the protection and restoration of critical infrastructures considering multiple interdependencies［J］. Chinese Journal of Management Science， 2024， 32（6）： 301-311.
[6]	Wei Y， Yang X， Xiao X， et al. Understanding the resilience of urban rail transit： Concepts， reviews， and trends［J］. Engineering， 2024， 10（10）： 7-18.
[7]	苏兆品，李沫晗，张国富，等. 基于Q学习的受灾路网抢修队调度问题建模与求解［J］. 自动化学报， 2020， 46（7）： 1467-1478.
	Su Z P， Li M H， Zhang G F， et al. Modeling and solving the repair crew scheduling for the damaged road networks based on Q-learning［J］. Acta Automatica Sinica， 2020， 46（7）： 1467-1478.
[8]	Zhao T， Zhang Y. Transportation infrastructure restoration optimization considering mobility and accessibility in resilience measures［J］. Transportation Research Part C： Emerging Technologies， 2020， 117： 102700.
[9]	Yoon S， Suh W， Lee Y J. Optimal decision making in post-hazard bridge recovery strategies for transportation networks after seismic events［J］. Geomatics， Natural Hazards and Risk， 2021， 12（1）： 2629-2653.
[10]	Luo Z， Yang B. Towards resilient and smart urban road networks： Connectivity restoration via community structure［J］. Sustainable Cities and Society， 2021， 75： 103344.
[11]	Zhang M， Yang X， Zhang J， et al. Post-earthquake resilience optimization of a rural “road-bridge” transportation network system［J］. Reliability Engineering & System Safety， 2022， 225： 108570.
[12]	Zamanifar M， Hartmann T. Decision attributes for disaster recovery planning of transportation networks； A case study［J］. Transportation Research Part D： Transport and Environment， 2021， 93： 102771.
[13]	Zukhruf F， Frazila R B， Burhani J T， et al. Developing an integrated restoration model of multimodal transportation network［J］. Transportation Research Part D： Transport and Environment， 2022， 110： 103413.
[14]	赵雪婷，贾鹏，杨彦博，等. 韧性与公平双视角下公路网灾后修复决策优化［J］. 交通运输系统工程与信息， 2023， 23（2）： 262-274.
	Zhao X T， Jia P， Yang Y B， et al. Highway network post-disaster recovery decision optimization considering resilience and equity［J］. Journal of Transportation Systems Engineering and Information Technology， 2023， 23（2）： 262-274.
[15]	毛新华，王建伟，袁长伟，等. 基于韧性最优的灾后公路网修复调度研究［J］. 中国公路学报， 2022， 35（6）： 289-298.
	Mao X H， Wang J W， Yuan C W， et al. Restoration scheduling for post-disaster road networks based on resilience optimization［J］. China Journal of Highway and Transport， 2022， 35（6）： 289-298.
[16]	刘欣亚，屈云超，吴建军. 考虑韧性和调度费用的城市路网修复策略［J］. 交通运输工程与信息学报， 2024， 22（3）： 1-13.
	Liu X Y， Qu Y C， Wu J J. Restoration strategies for urban road network considering resilience and scheduling costs［J］. Journal of Transportation Engineering and Information， 2024， 22（3）： 1-13.
[17]	周豪，四兵锋，汪勤政. 考虑距离因素的多方式交通超级网络均衡配流模型及算法［J］. 山东科学， 2018， 31（3）： 66-75.
	Zhou H， Si B F， Wang Q Z. Equilibrium assignment model and algorithm for multi-modal traffic super network considering distance factor［J］. Shandong Science， 2018， 31（3）： 66-75.
[18]	何胜学，金梦宇. 多用户多准则多方式下基于超级网络的公交客流均衡分配［J］. 计算机应用研究， 2021， 38（8）： 2418-2422.
	He S X， Jin M Y. Public transit assignment based on transit supernetwork with multiple users， multiple criteria and multiple transit modes［J］. Application Research of Computers， 2021， 38（8）： 2418-2422.
[19]	Si B， Yan X， Sun H， et al. Travel demand-based assignment model for multimodal and multiuser transportation system［J］. Journal of Applied Mathematics， 2012， 2012： 592104.
[20]	度巍，王先甲，黄崇超，等. 双交通模式随机用户平衡问题的一种求解方法［J］. 武汉理工大学学报（交通科学与工程版）， 2010， 34（1）： 162-166.
	Du W， Wang X J， Huang C C， et al. A method for solving the stochastic user equilibrium assignment problem with two traffic modes［J］. Journal of Wuhan University of Technology （Transportation Science & Engineering）， 2010， 34（1）： 162-166.
[21]	汪勤政，四兵锋. 换乘约束下城市多方式交通分配模型与算法［J］. 交通运输系统工程与信息， 2017， 17（4）： 159-165+181.
	Wang Q Z， Si B F. Urban multi-modal traffic assignment model and algorithm under transfer constrain［J］. Journal of Transportation Systems Engineering and Information Technology， 2017， 17（4）： 159-165+181.
[22]	Zhang T， Yang Y， Cheng G， et al. A practical traffic assignment model for multimodal transport system considering low-mobility groups［J］. Mathematics， 2020， 8（3）： 351.
[23]	Wang K， Li A， Qu X. Urban aerial mobility： Network structure， transportation benefits， and Sino-US comparison［J］. The Innovation， 2023， 4（2）： 100393.
[24]	Farazi N P， Zou B. Planning electric vertical takeoff and landing aircraft （eVTOL）-based package delivery with community noise impact considerations［J］. Transportation Research Part E： Logistics and Transportation Review， 2024， 189： 103661.
[25]	Jiang Y， Li Z， Wang Y， et al. Vertiport location for eVTOL considering multidimensional demand of urban air mobility： An application in Beijing［J］. Transportation Research Part A： Policy and Practice， 2025， 192： 104353.
[26]	Wang K， Jacquillat A， Vaze V. Vertiport planning for urban aerial mobility： An adaptive discretization approach［J］. Manufacturing & Service Operations Management， 2022， 24（6）： 3215-3235.
[27]	Feng L， Xie J， Liu X， et al. Is order-2 proportionality good enough for approximating the most likely path flow in user equilibrium traffic assignment？［J］. Transportation Research Part B： Methodological， 2024， 186： 103007.

路段编号	受损后通行能力	期望通行能力	维修工期	路段编号	受损后通行能力	期望通行能力	维修工期
6	7000	17111	9	40	2000	4877	6
12	1000	4948	5	46	1000	9599	8
15	2000	4948	8	52	3000	5230	5
19	899	4899	5	55	2000	19680	11
26	2000	13916	10	62	3060	5060	4
28	6000	13512	9	67	2000	9599	8
30	500	4994	7	72	3000	5000	5
37	12900	25900	7	—	—	—	—

类型	数量	编号
站点	8	8,10,11,12,15,16,18,20
线路	32	8-11,8-12,8-15,8-20,10-12,10-18,10-20,11-16,11-18,11-20,12-15,12-16,12-18,12-20,15-18,16-20,11-8,12-8,15-8,20-8,12-10,18-10,20-10,16-11,18-11,20-11,15-12,16-12,18-12,20-12,18-15,20-16

Optimization of Post-disaster Transport Network Restoration Strategies Considering Ground-Air Coordination

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 16

References 27

Related Articles 0

Metrics

Comments

Recommended 0