Le positionnement des plateformes de décollage et d'atterrissage à basse altitude (vertiports) est un défi fondamental pour le développement de la mobilité aérienne urbaine (UAM). Cette étude formule cette problématique comme une variante du problème de localisation d'installations avec capacité limitée, incorporant des contraintes de portée de vol et de capacité de service, et propose SPID, un cadre de solution basé sur l'apprentissage par renforcement profond (DRL) qui modélise le problème comme un processus de décision de Markov. Pour gérer la couverture dynamique, le cadre SPID basé sur DRL utilise un mécanisme d'attention multi-têtes pour capturer les motifs spatiotemporels, suivi de l'intégration des informations dynamiques et statiques dans un vecteur d'état d'entrée unifié. Par la suite, une unité récurrente à portes (GRU) est utilisée pour générer le vecteur de requête, améliorant ainsi la prise de décision séquentielle. Le réseau d'action au sein du réseau DRL est régulé par une fonction de perte intégrant les coûts de distance de service avec les pénalités de demande non satisfaite, permettant une optimisation de bout en bout. Les résultats expérimentaux ultérieurs montrent que SPID améliore significativement l'efficacité et la robustesse des solutions comparées aux méthodes traditionnelles sous contraintes de vol et de capacité. En particulier, selon les indicateurs de performance sociale mis en avant dans cette étude, SPID surpasse les solutions sous-optimales produites par les méthodes traditionnelles de regroupement et les méthodes basées sur les réseaux de neurones graphiques (GNN) d'environ 29%. Cette amélioration s'accompagne d'une augmentation du coût basé sur la distance maintenue dans une limite de 10%. Dans l'ensemble, nous démontrons une approche efficace et évolutive pour le positionnement des vertiports, soutenant une prise de décision rapide dans des scénarios UAM à grande échelle.

Planification à basse altitude ; Positionnement des vertiports ; Apprentissage par renforcement profond ; Exploration algorithmique