Previsione del costo del percorso più breve utilizzando l'estrazione di funzionalità multi-grafico

Poiché i concetti emergenti di mobilità aerea urbana come gli aerotaxi, gli aerei a richiesta e i grandi veicoli aerei senza pilota sono integrati nella vita quotidiana, garantire la loro perfetta interazione con le infrastrutture aeroportuali tradizionali esistenti è essenziale per realizzare un’industria dell’aviazione civile sostenibile.

Per migliorare l’efficienza operativa e il consumo energetico mantenendo al contempo la sicurezza nei futuri ambienti aeroportuali in modalità a movimento misto, i ricercatori utilizzano le traiettorie degli aerei per modellare il movimento del suolo aeroportuale come un problema di ricerca di un grafico multi-obiettivo (MOMG). La stima rapida dei costi del percorso più breve è fondamentale per eseguire ricerche euristiche per percorsi ottimali sui MOMG, tuttavia, il lavoro precedente utilizzava principalmente algoritmi di ricerca esatti per ottenere i costi, il che è computazionalmente costoso.

Ricerca pubblicata sul Journal of Green Energy and Smart Transportation Il 20 gennaio 2024 estrae le funzionalità MOMG per stimare in modo efficiente i costi del percorso più breve attraverso la previsione della regressione. L'articolo si concentra sui MOMG di riferimento e propone e confronta due metodi di estrazione: un metodo basato sulle statistiche che riassume 22 modelli di nodi fisici dai principi della teoria dei grafi e un metodo basato sull'apprendimento che utilizza una tecnica di incorporamento dei nodi per codificare le strutture dei grafi in modo discriminativo. spazio vettoriale. .

Nel metodo di estrazione basato sulle statistiche, gli autori dell'articolo adottano l'analisi delle componenti principali per valutare i modelli fisici dei nodi e rivelare la loro importanza individuale per prevedere i costi del percorso più breve. Per quanto riguarda il metodo di estrazione basato sull'apprendimento, poiché gli algoritmi di incorporamento dei nodi di solito si basano su semplici grafi a obiettivo singolo per generare vettori di incorporamento, gli autori dell'articolo presentano e confrontano due metodi per la semplificazione multi-grafo: iterazione dei nodi e potatura degli spigoli. Successivamente, sono stati testati tre modelli di regressione, ovvero percettrone multistrato (MLP), regressione polinomiale (PR) e alberi di regressione con potenziamento del gradiente (GBRT), per dimostrare le loro capacità di previsione. Infine, gli esperimenti vengono eseguiti su MOMG di riferimento generati casualmente e mostrano che (1) il metodo di estrazione basato sulle statistiche ha prestazioni scadenti nella caratterizzazione di valori di piccola distanza a causa di una grave sovrastima; (2) un sottoinsieme dei modelli fisici sottostanti può raggiungere un'accuratezza di previsione paragonabile o leggermente migliore di quella basata sull'intero insieme di modelli; e (3) il metodo di estrazione basato sull'apprendimento supera costantemente il metodo basato sulle statistiche, pur mantenendo un livello competitivo di complessità computazionale.

Negli sforzi futuri, gli autori dell'articolo si concentreranno su sei direzioni: (1) esplorare ulteriori modelli fisici del nodo; (2) sviluppare un meccanismo per gestire la sovrastima delle piccole distanze quando si utilizzano modelli fisici dei nodi per prevedere i costi del percorso più breve; (3) messa a punto degli iperparametri di PR e GBRT; (iv) Ulteriori ricerche e sperimentazioni con più modelli di regressione per valutare le loro prestazioni nel prevedere i costi del percorso più breve; (5) Trovare gli iperparametri dell'algoritmo di incorporamento del nodo Node2vec, che controlla il numero di passeggiate casuali generate per ciascun nodo; e (6) applicare i metodi proposti a casi aeroportuali reali, incorporando tecniche per gestire i vincoli incontrati nelle operazioni reali.