本技術實施例涉及移動急救站的無線通信，尤其涉及一種移動急救站的無線通信網絡方法及系統。

背景技術：

1、移動急救站的無線通信網絡方法旨在滿足緊急救援場景中對高效、可靠和實時數據傳輸的需求。在復雜的應急環境中，如自然災害現場、交通事故或大規模公共事件中，通信網絡必須能夠快速部署并適應不斷變化的環境條件。具體需求包括：確保關鍵任務數據在惡劣條件下也能穩定傳輸。支持高清視頻傳輸、實時語音通信和其他大數據量應用。能夠根據環境變化動態調整工作頻段和資源分配。

2、目前，移動急救站常用的無線通信解決方案主要包括以下幾種：通過多個預設頻段來提高抗干擾能力，但缺乏自適應調整機制，無法實時優化頻段選擇。預先設定帶寬和連接優先級，難以應對突發情況下的資源競爭和需求變化。依賴中心服務器進行數據管理和同步，導致單點故障風險和響應速度慢的問題。基于固定的路徑選擇規則，無法預測網絡變化趨勢，冗余路徑規劃不足，影響故障恢復速度。

3、然而，盡管現有方案在一定程度上滿足了部分需求，但仍存在以下主要缺陷：現有的多頻段無線電系統和靜態資源分配策略無法實時監測并調整頻段和資源，難以應對復雜多變的應急環境。集中式緩存與同步系統容易成為單點故障源，一旦中心服務器出現問題，整個系統的性能會大幅下降。傳統的路由算法未能充分考慮網絡拓撲結構和節點狀態的變化，缺乏冗余路徑的有效規劃和持續優化機制，導致在網絡故障時切換速度慢且效率低。

4、綜上所述，現有無線通信方案在靈活性、可靠性和智能路徑規劃方面存在明顯不足，無法完全滿足移動急救站在復雜應急場景中的高性能通信需求。因此，亟需一種更加智能化、自適應和可靠的無線通信網絡方法，以提升數據傳輸的效率和穩定性，為緊急救援提供強有力的技術支持。

技術實現思路

1、本技術實施例提供一種移動急救站的無線通信網絡方法及系統，用以解決現有技術中移動急救站無線通信網絡的可靠性低和響應速度慢的問題。

2、第一方面，本技術實施例提供一種移動急救站的無線通信網絡方法，包括：

3、實時監測并評估周圍環境中的信號強度、干擾水平和信道占用率，選擇最優的工作頻段，并調整頻段切換策略，得到自適應多頻段接入機制；

4、根據所述自適應多頻段接入機制確定的最優工作頻段，對無線通信網絡的帶寬和連接優先級進行動態調整，評估任務優先級，并預估未來一段時間內的帶寬需求，同時模擬不同用戶之間的資源競爭，生成動態資源分配策略；

5、基于所述動態資源分配策略中定義的任務優先級和帶寬分配情況，部署分布式緩存與同步系統，實現數據的均衡分布和快速定位，并使用版本矢量時鐘管理并發更新，同時達成跨站點的數據同步，減少對中心服務器的依賴，生成分布式的臨時數據緩存池；

6、利用所述分布式緩存池中的數據，建立深度強化學習的智能化路由算法，所述智能化路由算法考慮了當前網絡拓撲結構和節點狀態，預測網絡變化趨勢，計算出從源到目的地的最優傳輸路徑，最終生成智能路由規劃方案；

7、基于智能路由規劃方案中確定的最優路徑信息，在路徑上預先設定一條冗余路徑，并通過圖論算法中的最大流最小割定理確保在網絡故障時迅速切換到最佳備用路徑，并使用蟻群優化算法持續優化路徑選擇，依據動態資源分配策略和智能路由規劃的結果，生成冗余路徑規劃方案。

8、可選地，所述利用所述分布式緩存池中的數據，建立深度強化學習的智能化路由算法，所述智能化路由算法考慮了當前網絡拓撲結構和節點狀態，預測網絡變化趨勢，計算出從源到目的地的最優傳輸路徑，最終生成智能路由規劃方案，包括：

9、利用分布式緩存池中的歷史通信記錄、節點狀態信息和網絡拓撲結構的多源異構數據，對所述多源異構數據進行清洗、轉換和歸一化處理，得到適合深度學習模型輸入的特征向量，生成優化后的特征數據集；

10、基于所述優化后的特征數據集，構建融合了卷積神經網絡用于空間特征提取和循環神經網絡用于時間序列分析的混合深度強化學習模型，所述混合深度強化學習模型能捕捉到網絡拓撲的空間相關性和隨時間變化的趨勢，生成適用于動態網絡環境的智能決策框架；

11、根據所述適用于動態網絡環境的智能決策框架，采用近端策略優化算法作為強化學習框架的核心，并結合實際網絡環境中的獎勵機制，對所述混合深度學習模型進行訓練，讓所述混合深度學習模型通過與模擬環境交互不斷優化，學會在不同情境下選擇最優路徑的能力，最終生成經過訓練的智能模型；

12、利用所述經過訓練的智能模型，根據當前時刻的網絡狀態以及對未來一段時間內可能發生的網絡變化趨勢的預測，計算出從源到目的地的最優傳輸路徑，并最終生成智能路由規劃方案。

13、可選地，所述基于所述優化后的特征數據集，構建融合了卷積神經網絡用于空間特征提取和循環神經網絡用于時間序列分析的混合深度強化學習模型，所述混合深度強化學習模型能捕捉到網絡拓撲的空間相關性和隨時間變化的趨勢，生成適用于動態網絡環境的智能決策框架，包括：

14、利用優化后的特征數據集，對網絡拓撲結構和節點狀態的空間分布進行建模，通過卷積神經網絡對所述特征數據集進行多層卷積運算，捕捉到網絡節點之間的空間相關性和局部模式，得到空間特征表示；

15、根據所述空間特征表示，進一步結合節點狀態的時間序列信息，采用循環神經網絡，處理隨時間變化的網絡狀態數據，以捕捉時間上的依賴關系和動態變化趨勢，生成時間序列特征表示；

16、基于所述空間特征表示與所述時間序列特征表示，設計一個混合模型，所述混合模型能夠同時處理空間和時間維度的信息，并引入注意力機制，使得所述混合模型聚焦于重要的時空特征，提高決策的準確性和效率，得到融合時空特征的智能決策框架；

17、利用融合時空特征的智能決策框架，構建適用于動態網絡環境的智能決策系統，所述智能決策系統考慮了當前網絡拓撲的空間布局和節點狀態，預測未來一段時間內的網絡變化趨勢，為智能化路由算法提供了強大的支持，生成適用于動態網絡環境的智能決策框架。

18、可選地，所述根據所述適用于動態網絡環境的智能決策框架，采用近端策略優化算法作為強化學習框架的核心，并結合實際網絡環境中的獎勵機制，對所述混合深度學習模型進行訓練，讓所述混合深度學習模型通過與模擬環境交互不斷優化，學會在不同情境下選擇最優路徑的能力，最終生成經過訓練的智能模型，包括：

19、基于適用于動態網絡環境的智能決策框架，設計以近端策略優化算法為核心的強化學習框架，所述強化學習框架在通過與模擬環境的交互來不斷調整和優化模型參數，確保模型能夠在復雜多變的網絡環境中做出最優路徑選擇；

20、根據智能決策框架，定義符合移動急救站通信特點的獎勵機制，所述獎勵機制包括傳輸延遲最小化、丟包率降低、帶寬利用率最大化，用于評估模型在不同情境下的表現，并指導所述智能模型的學習方向，得到優化目標函數；

21、利用所述優化目標函數，構建模擬環境，使所述混合深度學習模型能夠在模擬環境中與各種可能的網絡狀況進行交互，在每次交互中，所述深度學習模型根據當前網絡狀態采取行動，并接收相應的獎勵反饋，以積累經驗數據；

22、基于所述經驗數據，使用近端策略優化算法更新模型參數，所述近端策略優化算法通過限制參數更新的步伐，避免了因更新幅度過大而導致的性能不穩定問題，從而保證了所述深度學習模型訓練過程中的穩定性和收斂性，生成經過初步訓練的智能模型；

23、利用所述經過初步訓練的智能模型繼續與模擬環境交互，模型逐漸學會如何在不同情境下選擇最優路徑，在高負載情況下優先選擇低延遲路徑，最終生成經過訓練的智能模型。

24、可選地，所述利用所述經過訓練的智能模型，根據當前時刻的網絡狀態以及對未來一段時間內可能發生的網絡變化趨勢的預測，計算出從源到目的地的最優傳輸路徑，并最終生成智能路由規劃方案，包括：

25、基于所述經過訓練的智能模型，對當前網絡狀態進行實時監控和數據收集，所述數據包括節點負載、連接質量、流量模式，得到最新的網絡狀況信息；

26、利用所述最新的網絡狀況信息，結合所述智能模型中嵌入的時間序列分析能力，對網絡未來一段時間內的變化趨勢進行預測，生成網絡變化趨勢預測結果；

27、根據所述網絡變化趨勢預測結果，所述智能模型評估多種的傳輸路徑，通過綜合考量路徑上的節點狀態、預計網絡變化趨勢及實際傳輸需求，對每條路徑的預期性能指標進行計算，得到路徑性能評估結果；

28、基于路徑性能評估結果，智能模型選擇一條滿足傳輸需求且性能最優的路徑作為主路徑，優先考慮能夠在高負載或網絡擁塞情況下仍能保持高效傳輸的路徑，生成最優傳輸路徑；

29、針對所述最優傳輸路徑，所述智能模型啟動動態監測機制，持續監控所述最優傳輸路徑的實時性能，包括節點狀態、鏈路質量、流量變化，得到動態監測結果；

30、利用所述動態監測結果，所述智能模型評估現有傳輸路徑的穩定性和可靠性，當檢測到所述傳輸路徑性能下降或存在潛在風險時，所述智能模型自動重新評估其他傳輸路徑，并根據最新網絡狀態和預測結果，得到更新后的最優傳輸路徑；

31、基于所述更新后的最優傳輸路徑，最終生成智能路由規劃方案，所述智能路由規劃方案包含了從源到目的地的最優傳輸路徑，并提供了一個能夠動態適應網絡變化的機制，確保數據傳輸的連續性和可靠性。

32、可選地，所述基于智能路由規劃方案中確定的最優路徑信息，在路徑上預先設定一條冗余路徑，并通過圖論算法中的最大流最小割定理確保在網絡故障時迅速切換到最佳備用路徑，并使用蟻群優化算法持續優化路徑選擇，依據動態資源分配策略和智能路由規劃的結果，生成冗余路徑規劃方案，包括：

33、利用所述智能路由規劃方案中確定的最優路徑信息，對當前網絡拓撲結構和節點狀態進行分析，根據所述最優路徑的特性，預先選定一條或多條潛在的冗余路徑作為備用選項，得到預選冗余路徑列表；

34、基于所述預選冗余路徑列表，應用圖論算法中的最大流最小割定理，通過計算網絡的最大流，識別出導致網絡中斷的關鍵節點和鏈路，確保在主路徑失效時能夠迅速切換到冗余路徑，生成冗余路徑切換策略；

35、根據所述冗余路徑切換策略，結合動態資源分配策略，評估冗余路徑上的帶寬可用性和連接優先級，根據任務優先級和未來一段時間內的帶寬需求預測，調整所述冗余路徑的資源分配，生成優化后的冗余路徑配置；

36、利用所述優化后的冗余路徑配置，采用蟻群優化算法對所述冗余路徑進行持續優化，所述蟻群優化算法模通過迭代搜索找到從源到目的地的最佳備用路徑，生成經過優化的備用路徑列表；

37、基于所述經過優化的備用路徑列表，根據所述動態資源分配策略和所述智能路由規劃方案的結果，綜合考慮網絡變化趨勢和實時性能監測數據，不斷調整所述冗余路徑的配置，當檢測到主路徑性能下降或存在潛在風險時，智能模型自動激活冗余路徑，并根據最新網絡狀態重新評估和優化路徑選擇，生成冗余路徑規劃方案。

38、可選地，所述基于所述經過優化的備用路徑列表，根據所述動態資源分配策略和所述智能路由規劃方案的結果，綜合考慮網絡變化趨勢和實時性能監測數據，不斷調整所述冗余路徑的配置，當檢測到主路徑性能下降或存在潛在風險時，智能模型自動激活冗余路徑，并根據最新網絡狀態重新評估和優化路徑選擇，生成冗余路徑規劃方案，包括：

39、基于所述經過優化的備用路徑列表，結合所述動態資源分配策略和所述智能路由規劃方案的結果，預測網絡變化趨勢，得到網絡變化趨勢預測結果；

40、利用所述網絡變化趨勢預測結果，對所述冗余路徑進行預調整，確保所述冗余路徑在需要時具備足夠的通信能力，生成預調整的冗余路徑配置；

41、根據所述預調整的冗余路徑配置，啟動實時性能監測機制，持續監控主路徑和冗余路徑的性能，收集實時性能監測數據；

42、基于所述實時性能監測數據，所述智能模型評估主路徑健康狀況，若檢測到主路徑性能下降或存在潛在風險，立即激活最佳備用路徑，得到激活后的冗余路徑；

43、利用所述激活后的冗余路徑，所述智能模型繼續監控所述冗余路徑性能，并結合蟻群優化算法進一步優化路徑，確保所述冗余路徑的高效穩定，生成優化后的冗余路徑配置；

44、最終生成冗余路徑規劃方案，所述冗余路徑規劃方案包含預設的冗余路徑及其切換策略，以及所述優化后的激活冗余路徑配置，確保在網絡條件變化時仍能保持高效的通信能力。

45、第二方面，本技術實施例提供一種移動急救站的無線通信網絡系統，包括：

46、監測評估模塊，用于實時監測并評估周圍環境中的信號強度、干擾水平和信道占用率，選擇最優的工作頻段，并調整頻段切換策略，得到自適應多頻段接入機制；

47、調整預估模塊，用于根據所述自適應多頻段接入機制確定的最優工作頻段，對無線通信網絡的帶寬和連接優先級進行動態調整，評估任務優先級，并預估未來一段時間內的帶寬需求，同時模擬不同用戶之間的資源競爭，生成動態資源分配策略；

48、部署同步模塊，用于基于所述動態資源分配策略中定義的任務優先級和帶寬分配情況，部署分布式緩存與同步系統，實現數據的均衡分布和快速定位，并使用版本矢量時鐘管理并發更新，同時達成跨站點的數據同步，減少對中心服務器的依賴，生成分布式的臨時數據緩存池；

49、預測計算模塊，用于利用所述分布式緩存池中的數據，建立深度強化學習的智能化路由算法，所述智能化路由算法考慮了當前網絡拓撲結構和節點狀態，預測網絡變化趨勢，計算出從源到目的地的最優傳輸路徑，最終生成智能路由規劃方案；

50、優化生成模塊，用于基于智能路由規劃方案中確定的最優路徑信息，在路徑上預先設定一條冗余路徑，并通過圖論算法中的最大流最小割定理確保在網絡故障時迅速切換到最佳備用路徑，并使用蟻群優化算法持續優化路徑選擇，依據動態資源分配策略和智能路由規劃的結果，生成冗余路徑規劃方案。

51、第三方面，本技術實施例提供一種計算設備，包括處理組件以及存儲組件；所述存儲組件存儲一個或多個計算機指令；所述一個或多個計算機指令用以被所述處理組件調用執行，實現如第一方面任一項所述的一種移動急救站的無線通信網絡方法。

52、第四方面，本技術實施例提供一種計算機存儲介質，存儲有計算機程序，所述計算機程序被計算機執行時，實現如第一方面任一項所述的一種移動急救站的無線通信網絡方法。

53、本技術實施例中，實時監測并評估周圍環境中的信號強度、干擾水平和信道占用率，選擇最優的工作頻段，并調整頻段切換策略，得到自適應多頻段接入機制；根據所述自適應多頻段接入機制確定的最優工作頻段，對無線通信網絡的帶寬和連接優先級進行動態調整，評估任務優先級，并預估未來一段時間內的帶寬需求，同時模擬不同用戶之間的資源競爭，生成動態資源分配策略；基于所述動態資源分配策略中定義的任務優先級和帶寬分配情況，部署分布式緩存與同步系統，實現數據的均衡分布和快速定位，并使用版本矢量時鐘管理并發更新，同時達成跨站點的數據同步，減少對中心服務器的依賴，生成分布式的臨時數據緩存池；利用所述分布式緩存池中的數據，建立深度強化學習的智能化路由算法，所述智能化路由算法考慮了當前網絡拓撲結構和節點狀態，預測網絡變化趨勢，計算出從源到目的地的最優傳輸路徑，最終生成智能路由規劃方案；基于智能路由規劃方案中確定的最優路徑信息，在路徑上預先設定一條冗余路徑，并通過圖論算法中的最大流最小割定理確保在網絡故障時迅速切換到最佳備用路徑，并使用蟻群優化算法持續優化路徑選擇，依據動態資源分配策略和智能路由規劃的結果，生成冗余路徑規劃方案。

54、本技術技術方案具有以下有益效果：

55、通過實時監測并評估周圍環境中的信號強度、干擾水平和信道占用率，選擇最優的工作頻段，并調整頻段切換策略，實現了自適應多頻段接入機制。這大大增強了網絡的抗干擾能力和穩定性，減少了通信中斷的風險。根據所述自適應多頻段接入機制確定的最優工作頻段，對無線通信網絡的帶寬和連接優先級進行動態調整，評估任務優先級，并預估未來一段時間內的帶寬需求，同時模擬不同用戶之間的資源競爭，生成動態資源分配策略。這種方法有效提升了帶寬利用率，確保了關鍵任務的優先處理，避免了資源浪費。基于所述動態資源分配策略中定義的任務優先級和帶寬分配情況，部署分布式緩存與同步系統，實現數據的均衡分布和快速定位，并使用版本矢量時鐘管理并發更新，同時達成跨站點的數據同步，減少對中心服務器的依賴，生成分布式的臨時數據緩存池。此設計不僅加快了數據訪問速度，還提高了系統的容錯能力和擴展性。利用所述分布式緩存池中的數據，建立深度強化學習的智能化路由算法，考慮當前網絡拓撲結構和節點狀態，預測網絡變化趨勢，計算出從源到目的地的最優傳輸路徑，最終生成智能路由規劃方案。這一智能化路徑選擇機制能夠靈活應對網絡變化，確保數據傳輸的高效性和可靠性。基于智能路由規劃方案中確定的最優路徑信息，在路徑上預先設定一條冗余路徑，并通過圖論算法中的最大流最小割定理確保在網絡故障時迅速切換到最佳備用路徑，并使用蟻群優化算法持續優化路徑選擇，依據動態資源分配策略和智能路由規劃的結果，生成冗余路徑規劃方案。這種冗余路徑規劃方案能夠在主路徑失效時立即啟用備用路徑，極大縮短了故障恢復時間，保證了通信的連續性。

56、進一步地，利用分布式緩存池中的歷史通信記錄、節點狀態信息和網絡拓撲結構的多源異構數據，進行清洗、轉換和歸一化處理，生成適合深度學習模型輸入的特征向量，形成優化后的特征數據集。基于優化后的特征數據集，構建融合了卷積神經網絡用于空間特征提取和循環神經網絡用于時間序列分析的混合深度強化學習模型。該模型能夠捕捉網絡拓撲的空間相關性和隨時間變化的趨勢，生成適用于動態網絡環境的智能決策框架。采用近端策略優化算法作為強化學習框架的核心，并結合實際網絡環境中的獎勵機制，對混合深度學習模型進行訓練。通過與模擬環境交互不斷優化，使模型學會在不同情境下選擇最優路徑的能力，最終生成經過訓練的智能模型。利用經過訓練的智能模型，根據當前時刻的網絡狀態以及對未來一段時間內可能發生的網絡變化趨勢的預測，計算出從源到目的地的最優傳輸路徑，并生成智能路由規劃方案。基于智能路由規劃方案中確定的最優路徑信息，預先選定一條或多條潛在的冗余路徑作為備用選項，得到預選冗余路徑列表。應用圖論算法中的最大流最小割定理，通過計算網絡的最大流，識別出導致網絡中斷的關鍵節點和鏈路，確保在主路徑失效時能夠迅速切換到冗余路徑，生成冗余路徑切換策略。根據冗余路徑切換策略，結合動態資源分配策略，評估冗余路徑上的帶寬可用性和連接優先級，根據任務優先級和未來一段時間內的帶寬需求預測，調整冗余路徑的資源分配，生成優化后的冗余路徑配置。利用優化后的冗余路徑配置，采用蟻群優化算法對冗余路徑進行持續優化，通過迭代搜索找到從源到目的地的最佳備用路徑，生成經過優化的備用路徑列表。基于經過優化的備用路徑列表，綜合考慮網絡變化趨勢和實時性能監測數據，不斷調整冗余路徑的配置。當檢測到主路徑性能下降或存在潛在風險時，智能模型自動激活冗余路徑，并根據最新網絡狀態重新評估和優化路徑選擇，生成冗余路徑規劃方案。

57、通過深度強化學習模型的引入，系統能夠在復雜多變的網絡環境中自動生成最優傳輸路徑，顯著提高了路徑選擇的智能化水平和適應性。這不僅提升了數據傳輸的效率，還增強了系統的靈活性和響應速度。利用冗余路徑規劃和快速切換機制，系統能夠在主路徑失效時迅速切換到最佳備用路徑，極大縮短了故障恢復時間，確保了通信的連續性和可靠性。同時，通過持續優化路徑選擇，系統能夠應對各種突發情況，減少了網絡中斷的風險。結合動態資源分配策略，系統能夠根據任務優先級和帶寬需求預測，合理分配帶寬資源，避免資源浪費，確保關鍵任務的優先處理。此外，分布式緩存與同步系統的部署進一步提高了數據訪問速度，減少了對中心服務器的依賴，增強了系統的整體性能和穩定性。

58、本技術的這些方面或其他方面在以下實施例的描述中會更加簡明易懂。