低高度の離着陸プラットフォーム（バーティポート）の配置は、都市航空モビリティ（UAM）開発における基本的な課題です。本研究はこの問題を容量制約施設配置問題の一変種として定式化し、飛行範囲およびサービス容量制約を組み込み、マルコフ意思決定過程として問題をモデル化した深層強化学習（DRL）ベースの解決フレームワークであるSPIDを提案します。動的なカバレッジを扱うために、設計されたDRLフレームワークベースのSPIDはマルチヘッドアテンション機構を使用して時空間パターンを捕捉し、その後、動的情報と静的情報を統合して統一された入力状態ベクトルを生成します。その後、ゲーティッドリカレントユニット（GRU）を使用してクエリベクトルを生成し、逐次的な意思決定を強化します。DRLネットワーク内のアクションネットワークは、サービス距離コストと未対応需要ペナルティを統合した損失関数により制御され、エンドツーエンドの最適化を可能にします。その後の実験結果は、SPIDが飛行および容量制約下で伝統的な方法と比較して解決効率と堅牢性を大幅に向上させることを示しています。特に、本研究で強調された社会的パフォーマンス指標全般にわたり、SPIDは従来のクラスタリングおよびグラフニューラルネットワーク（GNN）ベースの方法によって生成された準最適解を約29％上回っています。この改善は、距離ベースのコストの増加を伴いますが、それは10％以内に抑えられています。全体として、大規模なUAMシナリオで迅速な意思決定を支援する効率的でスケーラブルなバーティポートの配置アプローチを示しています。

低高度計画;バーティポート配置;深層強化学習;アルゴリズム探索