随着城市空中交通产业的快速发展，低空起降设施的合理布局已成为制约产业发展的关键瓶颈。南航研究团队针对这个问题进行了深入探索，将低空起降平台的选址难题转化为带有容量约束的数学模型，并创新性地引入深度强化学习技术进行求解。 传统的设施选址方法多采用聚类算法或图神经网络等技术，但在处理动态覆盖需求、多重约束条件时存在明显局限。南航研究团队开发的SPID解决方案框架通过马尔可夫决策过程对问题进行建模，将复杂的选址问题转化为序列决策问题，从而能够更好地适应城市空中交通的动态变化。 该方案的核心创新在于采用多头注意力机制和门控循环单元的组合设计。多头注意力机制用于捕捉时间和空间维度的特征模式，将动态需求信息与静态地理信息进行有机整合，形成统一的输入状态向量。门控循环单元则负责生成查询向量，增强模型在多步决策过程中的序列学习能力。同时，优化的损失函数将服务距离成本与未满足需求惩罚纳入考量，实现了端到端的全局优化。 实验验证结果显示，在既定的飞行距离和容量约束条件下，SPID方案的性能表现明显优于现有方法。特别是在社会绩效指标维度，相比传统聚类法和基于图神经网络方案，性能提升幅度达到约29%，这意味着在相同条件下能够为更多用户提供服务，或在更广阔区域实现有效覆盖。同时，方案实施所增加的距离对应的成本控制在10%以内，表明了较强的经济性。 从应用前景看，该研究为城市空中交通的大规模商业化运营提供了重要的决策支持工具。与传统基础设施不同，低空起降设施的选址需要在较短时间内进行快速决策，以适应市场需求的变化。SPID方案的高效性和可扩展性使其能够处理涉及数百甚至数千个潜在选址点的大规模规划问题，为城市管理部门和运营企业提供科学的参考依据。 该研究还为相关领域的算法创新树立了典范。深度强化学习技术在运输规划、资源配置等领域的应用前景广阔，南航团队的成果证明了这一技术路线的可行性和有效性，有望激发业界更多的研究热情和实践探索。
在城市空间立体化发展的大趋势下，这项立足实际需求的研究不仅解决了具体技术难题，更展现了我国科研人员在智慧交通领域的前瞻性。其提出的"效率与公平动态平衡"方法，对解决超大城市资源配置矛盾具有重要参考价值。