Размещение площадок для взлёта и посадки на небольшой высоте (вертипортов) является фундаментальной задачей при развитии городской воздушной мобильности (UAM). В этом исследовании задача формулируется как вариант задачи размещения объектов с ограниченной пропускной способностью, с учётом ограничений по дальности полёта и пропускной способности обслуживания, и предлагается SPID, основанная на глубоком обучении с подкреплением (DRL) рамочная модель решения, моделирующая проблему как марковский процесс принятия решений. Для обработки динамического покрытия разработанная модель SPID на основе DRL использует механизм многоголового внимания для захвата пространственно-временных закономерностей, а затем интегрирует динамическую и статическую информацию в единый вектор состояния входных данных. Затем используется рекуррентный блок с воротами (GRU) для генерации вектор запроса, что улучшает последовательное принятие решений. Сетевая архитектура действий внутри DRL регулируется функцией потерь, которая интегрирует стоимость расстояния обслуживания и штрафы за неудовлетворённый спрос, обеспечивая оптимизацию от начала до конца. Последующие экспериментальные результаты показывают, что SPID значительно повышает эффективность решения и устойчивость по сравнению с традиционными методами при ограничениях по дальности полёта и пропускной способности. В особенности, по социальным показателям, выделенным в этом исследовании, SPID превосходит субоптимальные решения, создаваемые традиционными методами кластеризации и методами на основе графовых нейронных сетей (GNN), примерно на 29%. Это улучшение сопровождается увеличением стоимости на основе расстояния, которое удерживается в пределах 10%. В целом, мы демонстрируем эффективный и масштабируемый подход к размещению вертипортов, поддерживающий быстрое принятие решений в крупномасштабных сценариях UAM.

Планирование на низкой высоте;Размещение вертипортов;Глубокое обучение с подкреплением;Изучение алгоритмов