Die Standortwahl für Start- und Landeplätze in niedriger Höhe (Vertiports) stellt eine grundlegende Herausforderung für die Entwicklung der urbanen Luftmobilität (UAM) dar. Diese Studie formuliert dieses Problem als Variante des kapazitätsbeschränkten Standortplanungsproblems, unter Einbeziehung von Flugreichweiten- und Dienstleistungskapazitätsbeschränkungen, und schlägt SPID vor, ein auf Deep Reinforcement Learning (DRL) basierendes Lösungsframework, das das Problem als Markow-Entscheidungsprozess modelliert. Um eine dynamische Abdeckung zu handhaben, verwendet das entwickelte DRL-basierte SPID einen Multi-Head-Attention-Mechanismus, um räumlich-zeitliche Muster zu erfassen, gefolgt von der Integration dynamischer und statischer Informationen in einen einheitlichen Eingabestatusvektor. Anschließend wird eine Gated Recurrent Unit (GRU) verwendet, um den Abfragevektor zu erzeugen und so die sequentielle Entscheidungsfindung zu verbessern. Das Aktionsnetzwerk innerhalb des DRL-Netzwerks wird durch eine Verlustfunktion reguliert, die Serviceentfernungskosten mit Strafen für unbefriedigte Nachfrage integriert und somit eine End-to-End-Optimierung ermöglicht. Nachfolgende experimentelle Ergebnisse zeigen, dass SPID die Lösungs effizient und Robustheit im Vergleich zu traditionellen Methoden unter Flug- und Kapazitätsbeschränkungen erheblich steigert. Besonders bei den sozial relevanten Leistungskennzahlen, die in dieser Studie hervorgehoben werden, übertrifft SPID suboptimale Lösungen, die durch traditionelle Cluster- und graphbasierte neuronale Netz (GNN)-Methoden erzeugt wurden, um etwa 29%. Diese Verbesserung geht mit einer Erhöhung der distanzbasierten Kosten einher, die innerhalb von 10% gehalten wird. Insgesamt demonstrieren wir einen effizienten, skalierbaren Ansatz zur Standortwahl von Vertiports, der schnelle Entscheidungsfindung in großmaßstäblichen UAM-Szenarien unterstützt.

Niedrigflughöhenplanung; Standortwahl von Vertiports; Deep Reinforcement Learning; Algorithmuserkundung