用于最短路径成本预测的多目标多图特征提取

随着空中出租车、按需飞机和大型无人机等新兴城市空中交通概念融入日常生活，确保其与现有传统机场基础设施的顺利互动对于实现可持续民航业至关重要。

为了优化运营效率和能源消耗，同时保持未来混合交通模式机场环境的安全性，研究人员使用飞机轨迹将机场地面运动制定为多目标多重图(MOMG)上的搜索问题。

快速估计最短路径成本对于在 MOMG 上进行启发式搜索最佳路径至关重要。然而，以前的工作主要采用精确搜索算法来获取成本，这在计算上是昂贵的。

发表在《绿色能源与智能交通》杂志上的一篇论文提取了 MOMG 特征，通过回归预测有效地估计最短路径成本。

本文重点关注基准 MOMG，提出并比较了两种提取方法：基于统计的方法，根据图论原理总结了 22 个节点物理模式;基于学习的方法，利用节点嵌入技术将图结构编码到判别向量空间中。

在基于统计的提取方法中，论文作者采用主成分分析来评估节点物理模式并揭示它们对于预测最短路径成本的个体重要性。关于基于学习的提取方法，鉴于节点嵌入算法通常依赖于单目标简单图来生成嵌入向量，论文作者介绍并比较了两种多图简化方法：节点复制和边缘修剪。

然后，测试了三种回归模型：多层感知器(MLP)、多项式回归(PR)和梯度增强回归树(GBRT)，以显示它们的预测能力。

最后，在随机生成的基准 MOMG 上进行实验，结果表明：(i) 由于严重高估，基于统计的提取方法在表征小距离值方面表现不佳;(ii) 基本物理模式的子集可以达到与基于完整模式集的预测精度相当或稍好的预测精度;(iii) 基于学习的提取方法始终优于基于统计的方法，同时保持计算复杂性的竞争水平。

在未来的努力中，论文作者将重点关注六个方向：(i)探索额外的节点物理模式;(ii) 开发一种机制，以处理使用节点物理模式预测最短路径成本时小距离的高估;(iii) PR和GBRT超参数的微调;(iv) 对更多回归模型进行进一步研究和实验，以评估其预测最短路径成本的性能;(v)节点嵌入算法node2vec的超参数研究，控制每个节点生成的随机游走的数量;(vi) 将所提出的方法应用于现实机场案例，结合处理实际运营中遇到的约束的技术。