面向按需空中出租车服务的异构 vertiport 选取优化：基于深度强化学习的方法
机器学习
2026-01-30 v1 人工智能
摘要
城市空中交通（UAM）已成为一种变革性解决方案，通过利用低空航空空间来缓解城市拥堵，从而减轻地面交通网络的压力。为实现真正高效且无缝的“门到门”旅行体验，UAM需要与现有的地面交通基础设施紧密集成。然而，当前针对空地交通系统中乘客最优整合路由策略的研究仍有限，缺乏系统性的探索。为此，我们首先提出了一个统一的优化模型，将空运和地运的策略选取相结合。该模型捕捉了多模态交通网络的动态特征，融合了实时交通状况和乘客决策行为。基于此模型，我们提出了统一的空地交通协调（UAGMC）框架，利用深度强化学习（RL）和车联网（V2X）通信，优化 vertiport 选取并动态规划空中出租车路线。实验结果表明，UAGMC相对于常规比例分配方法可实现平均旅行时间降低 34%，显著提升整体旅行效率，为空地交通系统的集成与优化提供了新颖见解。本工作为通过空地交通模式的协调，为智能城市交通解决方案奠定了坚实基础。相关代码可在 https://github.com/Traffic-Alpha/UAGMC 查找。
引用
@article{arxiv.2601.21316,
title = {Heterogeneous Vertiport Selection Optimization for On-Demand Air Taxi Services: A Deep Reinforcement Learning Approach},
author = {Aoyu Pang and Maonan Wang and Zifan Sha and Wenwei Yue and Changle Li and Chung Shue Chen and Man-On Pun},
journal= {arXiv preprint arXiv:2601.21316},
year = {2026}
}