本發(fā)明屬于無人機機巢選址，具體涉及一種面向無人機的交通非現(xiàn)場快速取證的機巢選址方法。

背景技術(shù)：

1、隨著我國機動車保有量的快速上升，交通事故發(fā)生率也呈上升趨勢。目前交通事故取證主要由交警抵達現(xiàn)場，對事故現(xiàn)場細節(jié)實施拍照后，結(jié)合路網(wǎng)攝像頭視頻進行判斷。當事故率較高時，由于交警抵達現(xiàn)場需要一定時間，而警力資源有限，往往導(dǎo)致事故處理效率低下、交通擁堵加劇甚至二次事故風險上升。

2、近年來，部分城市嘗試引入無人機輔助取證，通過高空視角快速定位事故現(xiàn)場、采集影像證據(jù)，一定程度上緩解了地面警力壓力。然而，現(xiàn)有無人機取證模式多數(shù)采用人工遙控操作模式，雖能替代部分現(xiàn)場勘查工作，但本質(zhì)上仍需專人操控，無法突破人力資源瓶頸，存在一定局限性。

3、無人機機巢是一種專為無人機設(shè)計的自動化航空基礎(chǔ)設(shè)施，機巢內(nèi)部配備自動充電站、數(shù)據(jù)傳輸設(shè)備等。無人機可以在機巢內(nèi)實現(xiàn)自動起降、自動充電和自動維護，機巢能夠收集、存儲和分析無人機傳輸?shù)臄?shù)據(jù)，為決策提供支持。在緊急情況下，無人機機巢可以快速部署無人機進行空中巡查或救援。它廣泛應(yīng)用于電力巡檢、交通監(jiān)測、安防巡邏等領(lǐng)域，可替代人工操作，提高作業(yè)效率，降低人力成本和安全風險。

4、目前無人機機巢的選址多用于供電站線路巡檢，高速公路路政養(yǎng)護等方面，針對于交通非現(xiàn)場快速取證場景的機巢選址較少。在交通復(fù)雜的場景下，機巢選址需要綜合考慮交通流量、事故多發(fā)地段等多方面因素，以確保無人機能夠快速響應(yīng)并準確取證。然而，現(xiàn)有的選址方法多運用主觀性的方法，缺乏科學(xué)的評估體系和量化指標，難以滿足交通取證的實際需求。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提出了一種面向無人機的交通非現(xiàn)場快速取證的機巢選址方法，設(shè)計合理，解決了現(xiàn)有技術(shù)的不足，具有良好的效果。

2、一種面向無人機的交通非現(xiàn)場快速取證的機巢選址方法，包括以下步驟：

3、s1：尋找事故高發(fā)交叉口；

4、s2：建立交通事故非現(xiàn)場取證無人機機巢選址模型；

5、s3：基于nsga-ii算法對無人機機巢選址模型求解，獲得最優(yōu)的機巢選址方案。

6、進一步地，所述s1包括以下子步驟：

7、s1.1：獲取并處理選定區(qū)域內(nèi)交叉口交通數(shù)據(jù)；

8、s1.2：運用熵權(quán)法對數(shù)據(jù)中的各指標進行權(quán)重分配；

9、s1.3：運用topsis法計算各交叉口綜合評分；

10、s1.4：確立風險閾值，確立事故高發(fā)交叉口為風險點并分配權(quán)重；

11、s1.5：對上述步驟得到的事故風險點，建立平面直角坐標系，將風險點對照到坐標系中，獲取其位置坐標。

12、進一步地，所述s1.1具體為：對于選定區(qū)域內(nèi)所有交叉口，采集并整理以下數(shù)據(jù)：

13、交叉口集合定義為：

14、；

15、其中，和表示負向指標，分別為車道數(shù)和視距評分，表示正向指標，分別為年事故數(shù)、日均流量、平均車速、急剎車頻率和行人流量；

16、原始數(shù)據(jù)矩陣定義為：

17、；

18、其中，表示第個交叉口在第個指標的原始值；

19、對采集的數(shù)據(jù)進行標準化處理：

20、對正向指標：

21、，；

22、對負向指標：

23、，；

24、其中，為標準化處理后的第個交叉口在第個指標的值，為第個指標原始值中的最大值，為第個指標原始值中的最小值；

25、所述s1.2具體為：

26、計算指標比重，表達式為：

27、；

28、其中，為第個交叉口對應(yīng)的第個指標比重，為標準化處理后的第個交叉口在第個指標的值，；

29、計算信息熵，表達式為：

30、；

31、其中，為第個指標的信息熵，為第個交叉口對應(yīng)的第個指標比重；

32、當時，定義；

33、計算差異系數(shù)，表達式為：

34、；

35、其中，為第個指標的差異系數(shù)；

36、確定各指標的權(quán)重，表達式為：

37、；

38、其中，為第個指標的權(quán)重，為第個指標的差異系數(shù)。

39、進一步地，所述s1.3具體為：構(gòu)建加權(quán)矩陣，加權(quán)矩陣中元素表達式為：

40、；

41、定義理想解：

42、第項指標對應(yīng)的正理想解表達式為：

43、；

44、第項指標對應(yīng)的負理想解表達式為：

45、；

46、計算距離：

47、第個交叉口到正理想解的歐氏距離表達式為：

48、；

49、第個交叉口到負理想解的歐氏距離表達式為：

50、；

51、計算接近度，表達式為：

52、；

53、其中，為第個交叉口對應(yīng)的接近度；

54、輸出綜合評分向量：

55、；

56、所述1.4具體為：對于已經(jīng)具備各自綜合評分的所有交叉口，首先確定閾值設(shè)定，表達式為：

57、；

58、其中，為需求靈敏度，為最高評分，為最低評分；

59、以閾值為界限篩選評分高于閾值的交叉口為事故高發(fā)交叉口，定義為風險點，為每個風險點分配權(quán)重，表達式為：

60、；

61、其中，為第個風險點的權(quán)重，為第個風險點的評分，為風險點的數(shù)量。

62、進一步地，所述s2包括以下子步驟：

63、s2.1：定義模型目標函數(shù)，選址的目標是最大化機巢的覆蓋范圍，以及最小化機巢建設(shè)總成本，表達式為：

64、；

65、；

66、其中，每個風險點具備坐標，q為備選點的數(shù)量，表示無人機機巢的備選位置，每個備選點具備坐標?；將風險點同時作為機巢選址的備選點，以達到覆蓋面積的最大化，為機巢固定成本，為容量為的機巢的增量成本，為容量為的機巢的增量成本，為表示第個備選點是否建設(shè)容量為的機巢的0-1決策變量，為表示第個備選點是否建設(shè)容量為的機巢的0-1變量；為表示第個風險點是否被第個備選點機巢覆蓋的0-1決策變量；

67、s2.2：確定風險點與備選點間的覆蓋關(guān)系矩陣：

68、建立r×q階0-1矩陣a，定義其為風險點與備選點間的覆蓋關(guān)系矩陣，按以下公式計算矩陣中的每個元素arq：

69、；

70、其中，為無人機最大通信距離，為無人機續(xù)航內(nèi)飛行最大距離，其取值遵從以下公式：

71、；

72、其中，為無人機最長續(xù)航時間，為無人機單次執(zhí)行取證任務(wù)用時，為無人機飛行速度，為無人機平均飛行高度；

73、s2.3：定義模型關(guān)鍵約束條件：

74、覆蓋可行性，表達式為：

75、；

76、保證其覆蓋滿足覆蓋距離限制，只有當?shù)趥€備選點建設(shè)機巢且其與第個風險點距離在覆蓋半徑內(nèi)，才視為第個風險點被第個備選點機巢所覆蓋；

77、唯一覆蓋，表達式為：

78、；

79、保證每個風險點至少被一個機巢覆蓋；

80、容量限制，表達式為：

81、；

82、保證處的機巢可以滿足范圍內(nèi)點的需求；

83、互斥約束，表達式為：

84、；

85、保證每處選址點只建設(shè)一個機巢。

86、進一步地，所述s3包括以下子步驟：

87、s3.1：計算并篩選出符合條件的風險交叉口并獲取其坐標，根據(jù)模型輸入相關(guān)參數(shù)，輸入相關(guān)數(shù)據(jù)并計算覆蓋半徑矩陣；設(shè)定nsga-ii算法參數(shù)，包括種群規(guī)模n、最大迭代次數(shù)t、交叉概率pc、變異概率pm；

88、s3.2：染色體由機巢建設(shè)決策段與覆蓋關(guān)系決策段兩部分組成，其中機巢建設(shè)決策段采用二進制編碼，長度為2|q|，前|q|位表示是否建設(shè)容量為的機巢的決策段xaq，后|q|位表示是否建設(shè)容量為的機巢的決策段xbq；覆蓋關(guān)系決策段采用二進制矩陣編碼zrq，表示第個風險點是否被第個備選點覆蓋，維度為r×q，需滿足覆蓋可行性約束；

89、隨機生成初始種群，其規(guī)模為n，但允許染色體暫時違反互斥約束及唯一覆蓋約束；

90、s3.3：針對種群中的每個個體，定義雙目標適應(yīng)度函數(shù)：

91、；

92、；

93、其中，為第一個目標的適應(yīng)度函數(shù)，為第二個目標的適應(yīng)度函數(shù)；

94、引入多約束違反度懲罰機制，綜合處理以下約束：

95、；

96、懲罰項設(shè)計為：

97、；

98、式中，、、為懲罰系數(shù)，根據(jù)約束優(yōu)先級動態(tài)調(diào)整；

99、將懲罰項附加至目標函數(shù)，形成修正后雙目標適應(yīng)度函數(shù)：

100、；

101、；

102、其中，為修正后的第一個目標的適應(yīng)度函數(shù)，為修正后的第一個目標的適應(yīng)度函數(shù)；修正后能夠確保違反約束的個體在進化過程中逐步被淘汰；

103、s3.4：對種群中所有個體進行非支配排序，劃分個體的pareto前沿等級；計算同一前沿層內(nèi)個體的擁擠度；

104、s3.5：進行遺傳操作，遺傳操作分為選擇、交叉、變異三部分；

105、選擇操作采用錦標賽選擇法，從種群中隨機選取k個個體，比較其非支配等級與擁擠度，優(yōu)先選擇前沿等級較低的個體，若處于同一等級則選擇擁擠度較大的個體以維持多樣性；

106、交叉操作對機巢建設(shè)決策段執(zhí)行兩點交叉，隨機選擇兩個交叉點，交換父代染色體中機巢決策段的對應(yīng)片段，覆蓋關(guān)系段根據(jù)交叉結(jié)果動態(tài)調(diào)整，更新后子代的覆蓋關(guān)系矩陣；確保滿足：

107、；

108、變異操作中以變異概率隨機翻轉(zhuǎn)xaq或xaq中的某一位，若翻轉(zhuǎn)后某機巢狀態(tài)發(fā)生改變，需將該機巢覆蓋關(guān)系zrq中的對應(yīng)元素強制置0；

109、s3.6：合并父代種群與子代種群，合并后種群規(guī)模為2n，對合并后的種群重新進行非支配排序和擁擠度計算；按照前沿順序保留前n個最優(yōu)個體作為新種群；

110、s3.7：若達到最大迭代次數(shù)t，則終止算法并輸出pareto前沿解集；否則返回s3.4；

111、pareto前沿解集包含不同的選址方案圖以及其對應(yīng)的成本與考慮懲罰系數(shù)的覆蓋風險指數(shù)，并生成一張可反應(yīng)二指標值的坐標散點圖；從?pareto?前沿解集中，依據(jù)具體的決策需求和偏好，若決策者需要達到最佳的覆蓋效率而不考慮成本，則選擇pareto前沿解中考慮懲罰系數(shù)的覆蓋風險指數(shù)最高的方案；反之，若決策者需要成本最低的方案從而可以在覆蓋效果上有所放棄，則選擇pareto前沿解中成本最低的方案；若決策者需要平衡二指標進行綜合考量，則在pareto前沿解集中選取其他前沿解，對照坐標散點圖與選址方案圖進行決策，從而挑選出最優(yōu)的機巢選址方案。

112、本發(fā)明帶來的有益技術(shù)效果：

113、本發(fā)明提出了一種面向無人機的交通非現(xiàn)場快速取證的機巢選址方法，在獲取到區(qū)域內(nèi)交通交叉口相關(guān)數(shù)據(jù)以及無人機機巢相關(guān)參數(shù)后，針對區(qū)域特性，可以實現(xiàn)一種準確高效的多目標優(yōu)化無人機機巢選址技術(shù)，其可以包含兩種不同容量的機巢，并綜合考量了成本及覆蓋效果，最終可輸出多個偏向不同指標的選址以供決策者參考，具備很好的科學(xué)性，可靠性與魯棒性，可應(yīng)用于交通非現(xiàn)場取證管理。