A localização de plataformas de decolagem e pouso em baixa altitude (vertiportos) é um desafio fundamental para o desenvolvimento da mobilidade aérea urbana (UAM). Este estudo formula essa questão como uma variante do problema de localização de instalações com capacidade, incorporando restrições de alcance de voo e capacidade de serviço, e propõe o SPID, uma estrutura de solução baseada em aprendizagem profunda por reforço (DRL) que modela o problema como um processo de decisão de Markov. Para lidar com a cobertura dinâmica, a estrutura SPID baseada em DRL utiliza um mecanismo de atenção multicanal para capturar padrões espaço-temporais, seguida da integração de informações dinâmicas e estáticas em um vetor de estado de entrada unificado. Em seguida, uma unidade recorrente com portas (GRU) é usada para gerar o vetor de consulta, aprimorando assim a tomada de decisão sequencial. A rede de ação dentro da rede DRL é regulada por uma função de perda que integra custos de distância de serviço com penalidades por demanda não atendida, permitindo otimização de ponta a ponta. Resultados experimentais subsequentes demonstram que o SPID melhora significativamente a eficiência e robustez da solução em comparação com métodos tradicionais sob restrições de voo e capacidade. Especialmente, nas métricas de desempenho social enfatizadas neste estudo, o SPID supera as soluções subótimas produzidas por métodos tradicionais de agrupamento e métodos baseados em redes neurais gráficas (GNN) em até aproximadamente 29%. Essa melhoria ocorre com um aumento no custo baseado na distância que é mantido dentro de 10%. No geral, demonstramos uma abordagem eficiente e escalável para a localização de vertiportos, apoiando a tomada rápida de decisões em cenários UAM em larga escala.

Planejamento em baixa altitude; Localização de vertiportos; Aprendizagem profunda por reforço; Exploração de algoritmos