Extraction de caractéristiques multigraphiques multi-objectifs pour la prévision du coût du chemin le plus court

Alors que les concepts émergents de mobilité aérienne urbaine, tels que les taxis aériens, les avions à la demande et les grands véhicules aériens sans pilote, s'intègrent dans la vie quotidienne, il est impératif de garantir leur interaction fluide avec les infrastructures aéroportuaires conventionnelles existantes pour parvenir à une industrie de l'aviation civile durable.

Pour optimiser l'efficacité opérationnelle et la consommation d'énergie tout en maintenant la sécurité dans les futurs environnements aéroportuaires à trafic mixte, les chercheurs utilisent les trajectoires des avions pour formuler le mouvement au sol de l'aéroport comme un problème de recherche sur un multigraphe multi-objectifs (MOMG).

Une estimation rapide des coûts du chemin le plus court est cruciale pour mener des recherches heuristiques de chemins optimaux sur les MOMG. Cependant, les travaux antérieurs utilisaient principalement des algorithmes de recherche exacts pour obtenir les coûts, ce qui est coûteux en termes de calcul.

Un article publié dans la revue Énergie verte et transports intelligents extrait les fonctionnalités MOMG pour estimer efficacement les coûts du chemin le plus court par prédiction de régression.

L'article se concentre sur les MOMG de référence et propose et compare deux méthodes d'extraction : une méthode basée sur les statistiques qui résume les modèles physiques de 22 nœuds à partir des principes de la théorie des graphes et une méthode basée sur l'apprentissage qui utilise une technique d'intégration de nœuds pour coder les structures graphiques dans un espace vectoriel discriminant. .

Dans la méthode d'extraction basée sur les statistiques, les auteurs de l'article adoptent une analyse en composantes principales pour évaluer les modèles physiques des nœuds et découvrir leur importance individuelle pour prédire les coûts du chemin le plus court. Concernant la méthode d'extraction basée sur l'apprentissage, étant donné que les algorithmes d'intégration de nœuds s'appuient généralement sur des graphiques simples à objectif unique pour générer des vecteurs d'intégration, les auteurs de l'article introduisent et comparent deux méthodes de simplification multigraphe : la duplication de nœuds et le découpage des bords.

Ensuite, trois modèles de régression, le perceptron multicouche (MLP), la régression polynomiale (PR) et les arbres de régression boostés par gradient (GBRT) sont testés pour montrer leurs capacités de prédiction.

Enfin, des expériences sont réalisées sur des MOMG de référence générés aléatoirement et montrent que (i) la méthode d'extraction basée sur les statistiques est sous-performante dans la caractérisation des petites valeurs de distance en raison d'une surestimation sévère ; (ii) Un sous-ensemble de modèles physiques essentiels peut atteindre une précision de prévision comparable ou légèrement meilleure que celle basée sur un ensemble complet de modèles ; Et (iii) la méthode d’extraction basée sur l’apprentissage surpasse systématiquement la méthode basée sur les statistiques, tout en maintenant un niveau compétitif de complexité informatique.

Dans les efforts futurs, les auteurs de l'article se concentreront sur six directions : (i) l'exploration de modèles physiques de nœuds supplémentaires ; (ii) Le développement d'un mécanisme pour gérer la surestimation des petites distances lors de l'utilisation de modèles physiques de nœuds pour prédire les coûts du chemin le plus court ; (iii) Le réglage fin des hyperparamètres pour PR et GBRT ; (iv) La conduite de recherches et d'expérimentations supplémentaires sur davantage de modèles de régression pour évaluer leur performance en matière de prévision des coûts du chemin le plus court ; (v) La recherche sur les hyperparamètres de l'algorithme d'intégration de nœuds node2vec, qui contrôle le nombre de marches aléatoires générées pour chaque nœud ; Et (vi) l'application des méthodes proposées à des cas aéroportuaires réels, intégrant des techniques pour gérer les contraintes rencontrées dans les opérations réelles.

Fourni par l'énergie verte et le transport intelligent