Resumen Técnico: Despliegue Dinámico de Camiones de Carga Móvil Durante la Evacuación por Desastres Naturales

Declaración del Problema

Durante evacuaciones por desastres naturales a gran escala (por ejemplo, huracanes), la electrificación del transporte por carretera introduce vulnerabilidades críticas. Los vehículos eléctricos (VE) poseen autonomías de conducción más cortas y requieren tiempos de carga más largos en comparación con los vehículos de motor de combustión interna. Bajo condiciones de evacuación, la concentración temporal de los flujos de tráfico crea picos localizados en la demanda de carga que saturan las Estaciones de Carga Fijas (ECF). Esto conduce a tiempos de espera prolongados, lo que aumenta directamente la "exposición al riesgo" de los evacuados a medida que permanecen más tiempo en áreas propensas a peligros.

La infraestructura de carga estática carece de la flexibilidad para adaptarse a estos patrones de demanda dinámicos y variables en el tiempo. Si bien los Camiones de Carga Móvil (CCM) ofrecen un suministro flexible de energía, su despliegue presenta tres desafíos principales:

1. Despliegue Adaptativo: Las reglas de asignación estática no logran acomodar la evolución estocástica de la demanda y la naturaleza crítica en el tiempo de las evacuaciones.
2. Toma de Decisiones Descentralizada: A medida que aumenta el número de ECF y CCM, la optimización global se vuelve computacionalmente intratable. Además, las operaciones de emergencia son a menudo inherentemente descentralizadas, lo que limita la viabilidad de un despacho totalmente centralizado.
3. Respuesta Anticipatoria de la Red: Los CCM deben atravesar la red para llegar a las ECF. Confiar en instantáneas de tiempo de viaje instantáneas es insuficiente; los sistemas deben anticipar la dinámica del tráfico y la propagación de la congestión para garantizar una intervención oportuna.

Metodología: El Marco ARMD

Los autores proponen el marco de Despliegue de CCM Consciente del Riesgo Adaptativo (ARMD), un sistema de offline a online diseñado para minimizar la exposición acumulada al riesgo inducida por colas. El marco descompone el problema en dos subproblemas acoplados: Asignación de CCM Consciente del Riesgo y Enrutamiento Dinámico de CCM.

1. Formulación del Problema

El objetivo es minimizar la exposición total al riesgo $R_{tot}$ durante el horizonte de evacuación, definida como la suma de la exposición al riesgo per cápita multiplicada por la longitud de la cola en cada ECF a lo largo del tiempo. El problema se modela como un proceso de toma de decisiones dinámico donde los CCM se asignan a las ECF en épocas de decisión discretas y las rutas se actualizan continuamente.

2. Asignación de CCM (Dec-POMDP y MAPPO)

Para abordar la complejidad computacional y la necesidad de ejecución descentralizada, el problema de asignación se formula como un Proceso de Decisión de Markov Parcialmente Observable Descentralizado (Dec-POMDP).

• Agentes: Cada CCM es un agente.
• Observaciones: Los agentes observan subconjuntos locales del estado global (niveles de peligro, longitudes de cola, cargadores disponibles y estado del CCM).
• Algoritmo: Se emplea un enfoque de Optimización de Política Proximal Multiagente (MAPPO) bajo el paradigma de Entrenamiento Centralizado y Ejecución Descentralizada (CTDE).
  • Codificación Relacional de Estaciones: Un mecanismo de atención multi-cabeza se incrusta en las redes de actor y crítico para capturar dependencias inter-estacionales, permitiendo a los agentes evaluar la prioridad relativa de las ECF candidatas.
  • Aumento Periódico de Observaciones: Para mitigar el cuello de botella de información de las observaciones locales, los agentes reciben una instantánea global de la red periódicamente (cada $\Delta_{aug}$ épocas) sin requerir comunicación persistente de todos a todos.
• Adaptación de Offline a Online:
  • Offline: La política se entrena previamente en un simulador calibrado con datos del mundo real (Condado de Hillsborough, FL) y fallas estocásticas de infraestructura.
  • Online: Se utiliza un mecanismo de ajuste fino aumentado por recuperación. El agente recupera las experiencias históricas más similares de un "banco de experiencias" basándose en el contexto local actual. Luego se aplica una adaptación de actor ligera ponderada por ventaja para refinar la política para el escenario específico, garantizando la estabilidad y evitando la deriva de la política.

3. Enrutamiento de CCM (Predicción Espacio-Temporal)

Una vez que se asigna un CCM a una ECF objetivo, su ruta se determina mediante una estrategia de horizonte rodante en lugar de una ruta fija.

• Predictor de Tiempo de Viaje Espacio-Temporal (STPM): Un modelo de aprendizaje profundo entrenado offline predice la dinámica de los tiempos de viaje a corto plazo. Combina Convolución de Grafos Dinámica (para capturar la propagación de la congestión localizada) con Atención Multi-cabeza Global (para modelar interacciones de red a larga distancia y efectos no locales como el redireccionamiento debido al cierre de carreteras).
• Ejecución: En cada intervalo de actualización de enrutamiento, el STPM pronostica los tiempos de viaje a nivel de enlace futuros. El módulo de enrutamiento calcula la ruta óptima basándose en estos pronósticos, permitiendo a los CCM evitar proactivamente la congestión emergente.

Contribuciones Clave

1. Primera Investigación del Despliegue Dinámico de CCM para Evacuación: Este estudio es el primero en abordar el despliegue dinámico y en tiempo real de CCM específicamente para el apoyo de carga bajo condiciones de evacuación en rápida evolución, avanzando más allá de la planificación de infraestructura estática.
2. Coordinación Descentralizada mediante MAPPO: El estudio formula el problema de asignación como un Dec-POMDP y desarrolla un enfoque de aprendizaje por refuerzo multiagente que permite la toma de decisiones coordinada sin requerir un controlador totalmente centralizado, abordando la escalabilidad y las restricciones operativas prácticas.
3. Enrutamiento Integrado con Dinámica Predictiva: El marco incorpora un módulo de predicción de tiempos de viaje espacio-temporal para anticipar la congestión a corto plazo, reduciendo la probabilidad de que los CCM queden atrapados en el tráfico y mejorando la puntualidad del apoyo de carga.

Resultados Experimentales

El marco se evaluó en un entorno de simulación utilizando datos del mundo real del Condado de Hillsborough, Florida, que cubre una evacuación de 48 horas antes del desembarco de un huracán.

• Comparaciones con Líneas Base: ARMD se comparó contra No-CCM, despacho codicioso, Asignación Centralizada (AC), Optimización Fija Offline (OF-MIP), MIP de Horizonte Rodante (RH-MIP) y versiones de ablación (ARMD-NF sin ajuste fino online, ARMD-NR sin enrutamiento online).
• Rendimiento bajo Perturbaciones de Demanda:
  • En escenarios con curvas de salida más planas (un patrón de demanda desafiante), ARMD redujo la exposición promedio al riesgo (EAR) en un 71.1% en relación con la línea base No-CCM, superando a RH-MIP (69.1%) y AC (35.0%).
  • ARMD mantuvo consistentemente un rendimiento sólido en escenarios de salida concentrada y mayor participación en la evacuación, demostrando una generalización robusta.
• Rendimiento bajo Fallas de Infraestructura:
  • Bajo fallas de infraestructura de carga fija (15%–45% de indisponibilidad de estaciones), ARMD redujo la EAR en un 39.3% al 60.5% en comparación con No-CCM.
  • Bajo fallas de enlaces viales (capacidad reducida o fragmentación de la red), ARMD logró la EAR más baja en todos los casos. Cabe destacar que, en escenarios de fragmentación severa, la capacidad de ARMD para adaptar el enrutamiento evitó que los CCM quedaran atrapados en componentes de red desconectados.
• Perspectivas de Ablación:
  • Ajuste Fino Online: Crucial para adaptarse a patrones de demanda cambiantes y disponibilidad de cargadores.
  • Enrutamiento Online: Proporcionó reducciones significativas en los tiempos de viaje, particularmente para movimientos de reasignación de larga distancia y en escenarios con alta demanda de tráfico o interrupciones de la red.
• Comparación con Puntos de Referencia de Optimización: Si bien RH-MIP superó a OF-MIP estático, ARMD logró consistentemente picos de riesgo más bajos y una disipación de riesgo más rápida. Los autores atribuyen esto a la capacidad de ARMD para aprender mapeos estado-acción conscientes del riesgo que se adaptan a los estados del sistema realizados, mientras que los métodos basados en MIP dependen en gran medida de perfiles de llegada pronosticados que pueden acumular errores.

Significado y Afirmaciones

El artículo afirma que el marco ARMD proporciona una solución oportuna, escalable y adaptativa para las operaciones de carga móvil en entornos de evacuación inciertos. Al cambiar de la planificación de infraestructura estática al despliegue dinámico y consciente del riesgo de recursos, el marco mejora la resiliencia de los sistemas de carga de emergencia.

Los autores enfatizan que su enfoque es particularmente efectivo en escenarios donde:

• Los patrones de demanda se desvían de los pronósticos históricos (por ejemplo, picos repentinos o salidas planas).
• La infraestructura se degrada debido a condiciones climáticas extremas (fallas de estaciones o cierres de carreteras).
• Se requiere toma de decisiones en tiempo real para mitigar los riesgos acumulativos de esperar en zonas de peligro.

El estudio concluye que integrar el aprendizaje offline con el refinamiento online permite que el sistema maneje la naturaleza estocástica y variable en el tiempo de las evacuaciones de manera más efectiva que los métodos tradicionales de optimización o despacho heurístico.