【技术实现步骤摘要】
本专利技术涉及地震灾情评估与应急救援管理，尤其是指一种基于强化学习的智能救援力量调配方法。
技术介绍
1、重大自然灾害是导致人员伤亡的重要因素。我国位于欧亚板块东南部，受印度洋板块、太平洋板块的相互作用和影响，地震十分活跃，且具有强度大、频度高、震源浅、分布广、灾害重等特点。
2、在地震等自然灾害发生后，快速准确地获取震后建筑物的受损情况与救援队伍的快速响应和有效调配至关重要。合理调配救援队伍能迅速组织起强大的救援力量，高效运作，快速救援被困群众，减少伤亡。同时，调配还能确保救援资源的合理利用，避免资源浪费和重复投入，为救援行动提供所需的物资和人力支持。快速针对地震发生后的建筑物损毁评估与应急救援需求进行救援队伍救援调配分配规划,是政府部门和应急管理部门启动应急响应和救援力量部署的重要参考依据，精准的评估结果有助于最大程度地开展救援行动，是现阶段我国震后应急救援方面亟待研究的一个重要科学问题。
技术实现思路
1、为此，本专利技术所要解决的技术问题在于克服现有技术中无法快速准确地对震后救援队伍进行调配的问题。
2、为解决上述技术问题，本专利技术提供了一种基于强化学习的智能救援力量调配方法，包括：
3、获取震后无人机正射数据并进行图像特征点拼接，得到震后区域影像；
4、将所述震后区域影像输入预先训练好的建筑倒塌受损分类模型，预测震后区域影像中每个像素点的受损分类，所述建筑倒塌受损分类模型为建筑边缘聚合特征增强神经网络eafe-yolov5
5、根据所述震后区域影像中每个像素点的受损分类计算不同受损类别的建筑物面积占总建筑物面积的比例，并预测伤亡人数；
6、建立多救援队伍与多受灾地点的救援规划数学模型，基于所述数学模型建立指针网络模型，并基于强化学习环境，以最小化救援成本为目标训练所述指针网络模型；
7、根据所述伤亡人数计算不同受灾点的救援力量需求，并输入预先训练好的指针网络模型，得到震后救援力量调配决策。
8、优选地，所述将所述震后区域影像输入预先训练好的建筑倒塌受损分类模型，预测震后区域影像中每个像素点的受损分类包括：
9、将所述震后区域影像输入eafe-yolov5-seg网络结构的backbone部分进行特征提取得到多层特征图，其中，所述backbone部分中部分c3模块和sppf模块后增加了特征增强模块，所述特征增强模块利用两个分支分别提取输入的全局信息和局部空间信息，并将两个分支的输出加权相加后与原输入融合，得到建筑边缘聚合特征增强后的输出；
10、利用尺度序列特征融合模块将fpn结构输出的部分不同层次的特征图处理为相同大小并进行上采样，然后在进行残差连接后输入3d卷积层，得到尺度融合特征图；
11、利用多个三重特征编码模块分别在空间维度上捕获三种不同大小的特征图中的建筑物信息，并通过panet结构将捕获的三重特征信息集成到对应的特征分支中；
12、将捕获的三重特征信息输入通道注意力网络，并将所述通道注意力网络的输出和所述尺度融合特征图输入位置注意力网络，得到目标特征图；
13、利用head部分根据所述目标特征图进行受损分类预测，得到不同受损类别的建筑物面积占总建筑物面积的比例。
14、优选地，所述根据所述震后区域影像中每个像素点的受损分类计算不同受损类别的建筑物面积占总建筑物面积的比例，并预测伤亡人数包括：
15、计算所有建筑物的像素面积之和占总区域像素面积的比例，结合区域实际面积，计算得到不同受损类别的建筑物实际面积；
16、根据潮汐修正系数、室内人员密度、所述不同受损类别的建筑物面积占总建筑物面积的比例、不同受损类别的历史建筑损伤概率和不同受损类别的伤亡概率计算室内伤亡人员密度；
17、根据所述不同受损类别的建筑物实际面积和所述室内伤亡人员密度计算伤亡人数。
18、优选地，所述根据潮汐修正系数、室内人员密度、所述不同受损类别的建筑物面积占总建筑物面积的比例、不同受损类别的历史建筑损伤概率和不同受损类别的伤亡概率计算室内伤亡人员密度的计算公式为：
19、
20、其中，表示室内伤亡人员密度，表示潮汐修正系数，表示室内人员密度表示建筑结构损伤类别总数，表示受损类别，表示该受损类别的建筑物面积占总建筑物面积的比例，表示该受损类别的历史建筑损伤概率，表示该受损类别的伤亡概率。
21、优选地，所述不同受损类别的历史建筑损伤概率的计算公式为：
22、
23、其中，表示建筑受损类别，表示建筑结构类别，表示该区域的建筑结构类别总数，表示该建筑结构建筑面积占据的比例，表示在建筑结构的类别、烈度等级为的情况下,受损等级为的概率值。
24、优选地，所述建立多救援队伍与多受灾地点的救援规划数学模型，并基于所述数学模型建立指针网络模型包括：
25、建立多救援队伍与多受灾地点的救援规划数学模型，并建立了模型约束；
26、基于所述救援规划数学模型建立transformer指针网络模型，其中，编码器用于将受灾点和救援队伍的位置信息以及不同灾点的救援力量需求映射到一个高维向量空间中，解码器用于根据编码器的输出和当前环境状态，通过贪心策略或采样策略生成救援队伍的路径规划。
27、优选地，所述以最小化救援成本为目标训练所述指针网络模型包括：
28、指定不同的受灾点规模和训练队伍规模，并将不同受灾点的救援需求人数作为守在点的救援需求，生成训练数据；
29、以最小化救援成本为目标，并在损失函数中加入惩罚项以确保所有受灾点都被救援到，并基于强化学习演员网络参数和评论家网络模型，使用反向传播算法对指针模型进行训练以更新模型参数和优化模型。
30、优选地，所述救援成本的计算公式为+，其中，n是救援队伍数量，m是受灾点数量，是救援队伍i到受灾点j的距离成本，是决策变量，表示救援队伍分配到受灾点的救援人数，为使用的队伍数量，α为使用过多队伍的惩罚因子。
31、优选地，所述根据所述伤亡人数计算不同受灾点的救援力量需求包括：
32、根据所述伤亡人数、人口密度、地震烈度、海拔高度、每支救援队伍的能力和各参数的权重系数计算不同受灾点的救援需求人数。
33、优选地，所述根据所述伤亡人数、人口密度、地震烈度、海拔高度、每支救援队伍的能力和各参数的权重系数计算不同受灾点的救援需求人数的计算公式为：
34、
35、其中，d表示伤亡人数,p表示人口密度,i表示地震烈度, e表示海拔高度,表示伤亡人数的权重,表示人口密度的权重,表示地震烈度等级的权重,表示救援队伍能力的权重,表示受灾地区海拔高度的权重；a表示每支救援队伍的能力。
36、本专利技术的上述技术方案相比现有技术具有以下优点：
37、本专利技术所述的救援力量调配方法，将待评估影像输本文档来自技高网...
【技术保护点】
1.一种基于强化学习的智能救援力量调配方法，其特征在于，包括：
2.根据权利要求1所述的智能救援力量调配方法，其特征在于，所述将所述震后区域影像输入预先训练好的建筑倒塌受损分类模型，预测震后区域影像中每个像素点的受损分类包括：
3.根据权利要求1所述的智能救援力量调配方法，其特征在于，所述根据所述震后区域影像中每个像素点的受损分类计算不同受损类别的建筑物面积占总建筑物面积的比例，并预测伤亡人数包括：
4.根据权利要求3所述的智能救援力量调配方法，其特征在于，所述根据潮汐修正系数、室内人员密度、所述不同受损类别的建筑物面积占总建筑物面积的比例、不同受损类别的历史建筑损伤概率和不同受损类别的伤亡概率计算室内伤亡人员密度的计算公式为：
5.根据权利要求3所述的智能救援力量调配方法，其特征在于，所述不同受损类别的历史建筑损伤概率的计算公式为：
6.根据权利要求1所述的智能救援力量调配方法，其特征在于，所述建立多救援队伍与多受灾地点的救援规划数学模型，并基于所述数学模型建立指针网络模型包括：
7.根据权利要求1所述的智
8.根据权利要求7所述的智能救援力量调配方法，其特征在于，所述救援成本的计算公式为+，其中，N是救援队伍数量，M是受灾点数量，是救援队伍i到受灾点j的距离成本，是决策变量，表示救援队伍分配到受灾点的救援人数，为使用的队伍数量，α为使用过多队伍的惩罚因子。
9.根据权利要求1所述的智能救援力量调配方法，其特征在于，所述根据所述伤亡人数计算不同受灾点的救援力量需求包括：
10.根据权利要求1所述的智能救援力量调配方法，其特征在于，所述根据所述伤亡人数、人口密度、地震烈度、海拔高度、每支救援队伍的能力和各参数的权重系数计算不同受灾点的救援需求人数的计算公式为：
...【技术特征摘要】
1.一种基于强化学习的智能救援力量调配方法，其特征在于，包括：
2.根据权利要求1所述的智能救援力量调配方法，其特征在于，所述将所述震后区域影像输入预先训练好的建筑倒塌受损分类模型，预测震后区域影像中每个像素点的受损分类包括：
3.根据权利要求1所述的智能救援力量调配方法，其特征在于，所述根据所述震后区域影像中每个像素点的受损分类计算不同受损类别的建筑物面积占总建筑物面积的比例，并预测伤亡人数包括：
4.根据权利要求3所述的智能救援力量调配方法，其特征在于，所述根据潮汐修正系数、室内人员密度、所述不同受损类别的建筑物面积占总建筑物面积的比例、不同受损类别的历史建筑损伤概率和不同受损类别的伤亡概率计算室内伤亡人员密度的计算公式为：
5.根据权利要求3所述的智能救援力量调配方法，其特征在于，所述不同受损类别的历史建筑损伤概率的计算公式为：
6.根据权利要求1所述的智能救援...
【专利技术属性】
技术研发人员：刘军，李新浩，邹冉，陈厦，王盈，潘海燕，洪中华，周汝雁，赵晓霞，韩春燕，王佳，韩珂，
申请(专利权)人：中国地震应急搜救中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。