Prezicerea costului celui mai scurt drum utilizând extragerea caracteristicilor cu mai multe grafice

Întrucât conceptele emergente de mobilitate aeriană urbană, cum ar fi taxiurile aeriene, avioanele la cerere și vehiculele aeriene mari fără pilot sunt integrate în viața de zi cu zi, asigurarea interacțiunii lor fără întreruperi cu infrastructurile aeroportuare tradiționale existente este esențială pentru realizarea unei industrie a aviației civile sustenabile.

Pentru a îmbunătăți eficiența operațională și consumul de energie, menținând în același timp siguranța în mediile aeroportuare viitoare cu mișcare mixtă, cercetătorii folosesc traiectorii aeronavelor pentru a modela mișcarea solului aeroportului ca o problemă de căutare cu grafic multi-obiectiv (MOMG). Estimarea rapidă a costurilor celei mai scurte căi este crucială pentru efectuarea de căutări euristice pentru căi optime pe MOMG-uri, cu toate acestea, lucrările anterioare au folosit în principal algoritmi de căutare exacti pentru a obține costuri, ceea ce este costisitor din punct de vedere computațional.

Cercetare publicată în Journal of Green Energy and Smart Transportation 20 ianuarie 2024 extrage caracteristicile MOMG pentru a estima eficient costurile pe calea cea mai scurtă prin predicția de regresie. Lucrarea se concentrează pe MOMG-uri de referință și propune și compară două metode de extracție: o metodă bazată pe statistici care rezumă 22 de modele de noduri fizice din principiile teoriei grafurilor și o metodă bazată pe învățare care utilizează o tehnică de încorporare a nodurilor pentru a codifica structurile grafurilor într-un mod discriminativ. spațiu vectorial. .

În metoda de extracție bazată pe statistici, autorii lucrării adoptă analiza componentelor principale pentru a evalua modelele fizice ale nodurilor și pentru a dezvălui importanța lor individuală pentru prezicerea costurilor pe calea cea mai scurtă. În ceea ce privește metoda de extracție bazată pe învățare, deoarece algoritmii de încorporare a nodurilor se bazează de obicei pe grafice simple cu un singur obiectiv pentru a genera vectori de încorporare, autorii lucrării prezintă și compară două metode de simplificare multi-graf: iterația nodurilor și tăierea marginilor. În continuare, au fost testate trei modele de regresie, și anume perceptronul multistrat (MLP), regresia polinomială (PR) și arbori de regresie care stimulează gradientul (GBRT), pentru a demonstra capacitățile lor de predicție. În cele din urmă, experimentele sunt efectuate pe MOMG-uri de referință generate aleatoriu și arată că (1) metoda de extracție bazată pe statistici are rezultate slabe în caracterizarea valorilor mici de distanță din cauza supraestimării severe; (2) un subset de modele fizice subiacente poate obține o precizie de predicție comparabilă sau puțin mai bună decât cea bazată pe setul complet de modele; și (3) metoda de extracție bazată pe învățare depășește în mod constant metoda bazată pe statistici, menținând în același timp un nivel competitiv de complexitate computațională.

În eforturile viitoare, autorii lucrării se vor concentra pe șase direcții: (1) explorarea modelelor fizice suplimentare ale nodului; (2) să dezvolte un mecanism pentru a face față supraestimării distanțelor mici atunci când se utilizează modele fizice ale nodurilor pentru a prezice costurile celei mai scurte căi; (3) reglarea fină a hiperparametrilor PR și GBRT; (iv) Cercetări suplimentare și experimentare cu mai multe modele de regresie pentru a evalua performanța acestora în estimarea costurilor pe calea cea mai scurtă; (5) Găsiți hiperparametrii algoritmului de încorporare a nodului Node2vec, care controlează numărul de drumuri aleatorii generate pentru fiecare nod; și (6) să aplice metodele propuse în cazurile de aeroport din lumea reală, încorporând tehnici pentru a face față constrângerilor întâlnite în operațiunile reale.