A medida que los conceptos emergentes de movilidad aérea urbana, como los taxis aéreos, los aviones bajo demanda y los grandes vehículos aéreos no tripulados, se integran en la vida diaria, garantizar su interacción fluida con las infraestructuras aeroportuarias convencionales existentes es imperativo para lograr una industria de aviación civil sostenible.

Para optimizar la eficiencia operativa yconsumo de energíaAl tiempo que se mantiene la seguridad en futuros entornos aeroportuarios con modo de tráfico mixto, los investigadores utilizan trayectorias de aviones para formular el movimiento terrestre del aeropuerto como un problema de búsqueda en un multigrafo multiobjetivo (MOMG).

La estimación rápida de los costos de la ruta más corta es crucial para realizar búsquedas heurísticas de rutas óptimas en los MOMG.Sin embargo, trabajos anteriores emplearon principalmente algoritmos de búsqueda exacta para obtener los costos, lo cual es computacionalmente costoso.

Un artículo publicado en la revista.Energía verde y transporte inteligenteextrae características de MOMG para estimar los costos de la ruta más corta de manera eficiente mediante predicción de regresión.

El artículo se centra en los MOMG de referencia y propone y compara dos métodos de extracción: un método basado en estadísticas que resume 22 patrones físicos de nodos a partir de los principios de la teoría de grafos y un método basado en el aprendizaje que utiliza una técnica de incrustación de nodos para codificar estructuras de gráficos en un espacio vectorial discriminativo..

En el método de extracción basado en estadísticas, los autores del artículo adoptananálisis de componentes principalesevaluar los patrones físicos de los nodos y descubrir su importancia individual para predecir los costos del camino más corto.Con respecto al método de extracción basado en el aprendizaje, dado que los algoritmos de incrustación de nodos generalmente se basan en gráficos simples de un solo objetivo para generar vectores de incrustación, los autores del artículo presentan y comparan dos métodos de simplificación de multigrafos: duplicación de nodos y recorte de bordes.

Luego, se prueban tres modelos de regresión, perceptrón multicapa (MLP), regresión polinómica (PR) y árboles de regresión potenciados por gradiente (GBRT), para mostrar sus capacidades de predicción.

Finalmente, se realizan experimentos con MOMG de referencia generados aleatoriamente y muestran que (i) el método de extracción basado en estadísticas tiene un rendimiento inferior al caracterizar valores de distancia pequeños debido a una sobreestimación severa;(ii) Un subconjunto de patrones físicos esenciales puede lograr una precisión de predicción comparable o ligeramente mejor que la basada en un conjunto completo de patrones;Y (iii) el método de extracción basado en el aprendizaje supera consistentemente al método basado en estadísticas, al tiempo que mantiene un nivel competitivo de complejidad computacional.

En esfuerzos futuros, los autores del artículo se centrarán en seis direcciones: (i) la exploración de patrones físicos de nodos adicionales;(ii) El desarrollo de un mecanismo para manejar la sobreestimación de distancias pequeñas cuando se utilizan patrones físicos de nodos para predecir los costos de la ruta más corta;(iii) El ajuste de los hiperparámetros para PR y GBRT;(iv) La realización de más investigaciones y experimentación sobre más modelos de regresión para evaluar su desempeño en la predicción de los costos del camino más corto;(v) La investigación sobre hiperparámetros del algoritmo de incrustación de nodos node2vec, que controlan el número de paseos aleatorios generados para cada nodo;Y (vi) la aplicación de los métodos propuestos a casos de aeropuertos del mundo real, incorporando técnicas para manejar las limitaciones encontradas en las operaciones reales.

Más información:Songwei Liu et al, Extracción de características multigráficas multiobjetivo para la predicción de costos por el camino más corto: ¿basada en estadísticas o en aprendizaje?Energía verde y transporte inteligente(2023).DOI: 10.1016/j.geits.2023.100129

Proporcionado porEnergía verde y transporte inteligente