紧急车辆的智能路线优化

紧急车辆的响应时间是决定心脏骤停、火灾和创伤场景中生存结果的最关键因素之一。仅在印度，每年因城市地区可预防的救护车延误而损失的生命估计约为10,000例。尽管GPS和联网车辆技术普及，大多数紧急路线系统仍依赖于静态的、预先计算的路径，这在面对实时交通干扰时完全失效。对2012年至2025年间发布的20多篇同行评审研究的回顾显示，该领域在单独子域——基于强化学习的路线规划、物联网信号优先、基于VANET的跟踪和GIS驱动的规划——上取得了真正的进展，但始终未能将这些能力统一成一个单一的、连贯的系统。没有任何一项审查的研究同时解决了完整的问题：每种方法要么将路线、信号或预测视为主要优化目标，而将其他视为次要关注点。本文呈现了现有知识体系的结构化主题回顾、对20项研究及其局限性的严格比较分析，以及自适应紧急路线智能系统（AERIS）的设计——这是一个将深度强化学习与图神经网络交通编码器、物联网启用的多个交叉口信号协调和预测交通建模层集成的创新框架。与传统路线相比，预计性能提升25-35%，结合城市无关的模块化设计，使AERIS成为紧急运输系统向前迈出的重要一步。