农村地区无人机增强的医疗最后一公里配送：一种天气感知优化方法

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Drone-enhanced last-mile medical delivery in rural areas: A weather-aware optimization approach

　　

提出一种天气感知的多模式优化模型用于乡村医疗配送。

整合路径规划、设施选址与中转运输，并考虑天气依赖的能量消耗。

利用天气信息进行路径规划，实现成本与时间的权衡。

做出天气驱动的路径与调度决策，性能优于静态航程模型。

实现高达83%的成本降低、85%的加权平均配送时间缩短，以及超过99%的二氧化碳排放减少。

引言

医疗供应链是全球卫生系统的重要组成部分，确保必需药品和物资能够送达医疗设施和需要的患者手中（Kruk等，2018）。在这一系统中，"最后一公里"配送是最终且最具挑战性的环节，负责将中央配送枢纽与往往是偏远或服务不足的地区连接起来。"最后一公里"配送的效率和可靠性对于建立可持续、公平且响应迅速的卫生系统至关重要，而这些系统又是全球卫生安全和人类福祉的关键（Backman等，2008）。

尽管"最后一公里"配送发挥着关键作用，但在乡村和服务不足的地区，它仍然面临重大挑战。基础设施不完善、地形复杂和交通运输成本高昂，往往会延误疫苗和检测试剂盒等基本医疗物资的获取（Enayati等，2023）。在医疗资源短缺、贫困率高和人口老龄化严重的地区，这些挑战尤为突出（Administration，无日期）。在COVID-19疫情期间，此类配送障碍阻碍了及时的应对工作，并加剧了健康结果的恶化（Goldschmidt和Stasko，2022）。因此，创新和具有韧性的解决方案对于克服乡村"最后一公里"配送面临的持续挑战至关重要。

无人机或无人驾驶航空器（UAVs）为乡村地区的医疗"最后一公里"配送提供了传统地面系统的有前景的替代方案（Jeon等，2022，Macrina等，2020）。在这样的环境中，无人机受益于较低的空中密度、与密集建筑基础设施的较少交互，以及有利于长距离空中配送的运营条件，这些因素增强了其可行性和实际适用性。它们的速度、路线灵活性以及绕过困难或基础设施不完善的道路网络的能力，使其在抵达偏远地区方面尤为有效（Griffith等，2023，Lamptey和Serwaa，2020）。随着医疗物流日益重视自动化、可持续性和快速响应，无人机提供了一种高效且可扩展的"最后一公里"解决方案（Bosona，2020，Stierlin等，2024）。

然而，将无人机整合到医疗"最后一公里"配送中引入了运营复杂性，将路径和调度决策与严格的、依赖天气的能量可行性约束耦合在一起。无人机性能由航程、电池容量和载荷等因素决定，对环境条件，特别是天气高度敏感（Dorling等，2017，Troudi等，2018）。例如，随时间变化的风模式可以显著增加能量消耗并降低可行航程，而有利条件如顺风则可能提高效率（Betti Sorbelli，2024，Thibbotuwawa等，2019a）。尽管对基于无人机的配送研究兴趣日益增长，但许多现有研究依赖于固定的或基于航程的能量表示，假定恒定的有效航程，而没有明确捕捉环境条件的时空变化如何改变无人机的实际操作范围和路径可行性（Chen等，2021，Zhang等，2021）。弥补这一差距对于建立具有韧性且运营可行的"最后一公里"医疗物流系统至关重要。

为了解决环境影响因素对配送系统性能影响的忽视问题，本研究开发了一种确定性的、运营级别的决策支持优化模型，用于短期单周期规划周期（例如一天）内的医疗"最后一公里"配送。该模型代表了一个多模式物流网络，包括无人机、地面车辆和其他潜在运输方式，并明确考虑了天气感知的无人机能量消耗，以提高资源约束下的运营可行性、可靠性、效率和韧性。然而，所提出的模型并不关注高保真度的飞行动力学或车辆设计；相反，车辆行为被有意抽象化，以平衡物理真实性、优化可处理性和实际医疗物流场景中的实施可行性。

目标是最小化总配送成本，包括运输、充电和转运成本，同时联合优化路径决策、最终配送站分配、从预设候选地点中选择充电/加油和转运站，以及在运营期内进行取货和配送调度。物流网络设有指定的运营基地，每辆车从基地出发并在最优选择的最终配送站完成路线。每种运输方式沿着其自身的一组可行网络连接运行。为实现跨模式协调，指定的转运点允许医疗订单在不同车辆之间转移。该模型还确定何时何地需要进行充电/加油以维持最低能量水平，从而确保配送网络中持续且可靠的运营。

为捕捉环境条件对无人机性能的局部影响，服务区使用Voronoi图按天气分区，每个区域分配给最近的气象站。此分区仅用于将每个候选无人机路线段与局部的时间依赖预报数据进行关联以进行能量估算，并不施加空域或运营边界。对于每条无人机弧段，能量消耗被表示为出发时间依赖的函数，该函数源自根据无人机技术规格和局部天气预报标定的性能模型。这些弧段级别的时间依赖和位置依赖能量函数然后被直接嵌入优化框架中，实现在时空环境条件下的能量感知路径和调度决策。尽管本研究关注空中车辆，所提出的建模结构足够通用，可以容纳其他运输方式的出发时间依赖能量消耗。

本研究对医疗供应链文献做出了三项主要贡献。首先，开发了一种运营级别的优化模型，在单周期规划周期内联合确定调度、路径规划以及关键运营要素的识别，如转运点、充电站和最终配送站。其次，据我们所知，本文首次引入了时间依赖能量消耗建模方法，其中无人机能量使用基于天气预报进行预测，并作为出发时间的函数纳入优化模型，捕捉环境条件对运营性能的时空影响。第三，该模型应用于一个真实案例研究，展示了其在优化乡村"最后一公里"医疗配送和通过天气感知的多模式协调改善资源受限地区医疗获取方面的有效性。

本文其余部分结构如下：第2节全面回顾了无人机整合配送物流网络和天气感知供应链优化的相关文献。第3节概述了问题描述和模型假设。第4节呈现了网络输入、所提优化模型的数学公式以及能量消耗建模框架。第5节介绍了用于提高所提优化模型可处理性的计算预处理和基于求解器的实施程序。第6节解释了为研究提供背景的案例研究。数值结果、敏感性分析和 managerial 洞见在第7节中呈现。最后，第8节总结全文并提出未来研究方向。

文献综述

本节回顾了无人机整合配送网络和将天气条件纳入供应链优化的相关文献。我们首先考察了基于无人机的物流方面的现有工作，随后是医疗配送中天气整合优化的研究。最后，我们识别了关键研究空白，并在此现有研究基础中定位本研究的贡献。

问题描述

本节描述了本研究所考虑的运营医疗配送问题。首先概述问题范围，随后详细描述配送系统及其关键组件。最后，介绍了该运营场景下的建模假设。

优化模型

本节呈现了第3节所述的确定性单周期多模式医疗配送问题的混合整数优化模型。在定义集合、参数和决策变量之后，我们呈现了目标函数和约束条件，以捕捉路径规划、调度、设施选址以及考虑天气依赖能量消耗的无人机电池可行性。本节最后描述了预计算的时间依赖能量参数如何嵌入优化框架。

基于求解器的解决方案方法

所提出的多模式路径和调度模型即使对于中等规模的乡村网络也可能面临计算挑战，因为存在异构车辆类型、时间依赖能量消耗以及地理分散服务区中的转运决策。为提高可处理性而不改变核心优化公式，我们引入了一系列预处理、可处理性增强和模型控制机制。这些方法论组件对于实现是必要的。

案例研究

本节呈现了一个基于Shield Illinois的案例研究，这是一个全州范围的COVID-19检测计划，拥有大规模的物流网络。我们利用这一真实情境来评估所提出的多模式医疗供应网络。我们首先描述Shield Illinois计划期间实施的分布式点对点配送系统，并呈现四种现状情景的性能指标以突出关键运营模式。接下来，我们概述了模型的开发过程。

计算结果

本节报告了用于评估所提优化框架在乡村"最后一公里"配送场景中的运营性能和决策支持价值的计算实验。利用第6节所述的案例研究，我们分析了不同运营情景下的成本效率、配送绩效和环境影响。我们首先定义了实验类别并总结了主要绩效指标。然后我们评估了天气感知...（文本截断）

结论与未来研究

本研究开发了一个天气感知的多模式优化框架，用于在单周期运营规划周期内利用无人机和地面车辆进行乡村地区的医疗物资配送。所提出的模型将路径和调度决策与时空能量消耗、显式的充电操作和转运选项联合整合，使在天气变数和基础设施约束下实现具有运营现实性的规划成为可能。使用来自Shield Illinois的真实世界数据...（文本截断）

CRediT作者贡献声明

Pardis Bahmani：撰写–审阅与编辑、撰写–原稿、可视化、方法论、形式分析、概念化。Shakiba Enayati：撰写–审阅与编辑、监督、方法论、资金获取、形式分析、概念化。Sina Ansari：撰写–审阅与编辑、可视化、形式分析、数据整理。Srikanth Gururajan：方法论。Ziteng Wang：数据整理、撰写–审阅与编辑。

Pardis Bahmani | Shakiba Enayati | Sina Ansari | Srikanth Gururajan | Ziteng Wang