低空无人机医疗物流容量规划与性能评估框架：基于SOQN、AMVA与DNN的集成方法

《IEEE Access》：Capacity Evaluation and Configuration of Low-Altitude Medical-Logistics UAVs Using a Semi-Open Queueing Network and a Deep Neural Network

　　

摘要：

本文提出了一种用于低空无人机医疗物流的容量规划与性能评估框架，该框架集成了半开放排队网络（SOQN）、近似均值分析（AMVA）和深度神经网络（DNN）。首先，根据无人机医疗配送的实际操作流程，构建了一个多分支SOQN模型，其中包括无人机飞行、血库装载、医院卸载、返程飞行和基地检查。随后推导了稳定性条件、最大吞吐量边界和近似订单响应时间表达式。拉丁超立方抽样（LHS）和AMVA为近似固定拓扑DNN代理模型生成了监督标签。在34个解析稳定场景上进行的独立离散事件仿真（DES）比较结果显示，AMVA的总体响应时间和利用率MAPE分别为3.73%和0.247%。当利用率达到或超过90%时，响应时间MAPE上升至21.49%，因此这些高负载量级被视为边界压力测试而非精确数值验证。在λ = 0.40单/分钟时，六架无人机不满足所述限值，而七架则满足要求。在5014个保留的可行案例上，调优后的DNN达到了93.62%的Top-1准确率、99.70%的Top-2准确率和0.9257的Macro-F1分数。在达到目标之前，生成器拒绝了30229个不可行候选方案，保留了50000个可行场景。由于DNN缺乏无可行机队（NF）输出类别，仅依赖DNN的结果属于临时性结论；经过认证的决定需要对R ∈ {5, …, 20}进行完整的AMVA枚举，当可行集为空时返回NF。DNN的性能声明仅适用于已声明的拓扑和采样域。由于无法获取操作日志，近饱和状态、拓扑变更和部署决策需要仿真和操作验证。