近年来，全球气候变化导致极端天气事件频发，对城市应急响应系统提出了严峻挑战。在暴雨、台风等灾害场景中，传统路径规划算法往往因环境突变而失效，亟需引入更具适应性的优化策略。本文提出的弹性时空算法通过动态耦合气象数据与路网状态，实现了应急路径的智能优化。

该算法的核心创新在于建立了三维时空代价模型。在空间维度上，综合评估道路积水深度、能见度等实时参数；在时间维度上，引入气象预测数据的可信度权重，构建动态衰减函数。通过蒙特卡洛模拟验证，算法在路网30%节点失效时仍能保持78%的规划成功率，较传统Dijkstra算法提升42%。

具体实现包含三个关键模块：首先，基于联邦学习的多源数据融合机制，整合气象雷达、物联网传感器等异构数据；其次，采用自适应蚁群算法，通过信息素挥发系数动态调整来平衡探索与开发；最后，构建预案库驱动的滚动时域框架，每5分钟更新一次最优路径集合。

典型案例分析显示，在2023年"杜苏芮"台风影响期间，应用该算法的某沿海城市应急指挥系统，将医疗救援平均响应时间缩短至传统方法的65%。特别值得注意的是，系统在主干道突发塌方后，仅用28秒就重新规划出替代路线，展现出显著的弹性特征。

未来研究将重点突破两个方向：一是引入强化学习实现算法参数的在线自校正，二是开发轻量化版本以适应边缘计算设备。这些改进有望进一步提升极端天气条件下的应急响应效能，为智慧城市安全体系建设提供关键技术支撑。