온디맨드 에어택시 서비스의 이종형 수직 이착륙장(Vertiport) 선정 최적화: 딥 강화 학습 접근 방식

Heterogeneous Vertiport Selection Optimization for On-Demand Air Taxi Services: A Deep Reinforcement Learning Approach

도시 항공 모빌리티(UAM)는 저고도 항공 공간을 활용하여 도시의 교통 혼잡을 완화하는 혁신적인 솔루션으로, 지상 교통망에 대한 압력을 줄여줍니다. 진정으로 효율적이고 원활한 문전까지의 이동 경험을 제공하기 위해서는 UAM이 기존 지상 교통 인프라와 긴밀하게 통합되어야 합니다. 그러나 현재까지는 공중-지상 모빌리티 시스템에서 승객을 위한 최적의 통합 경로 전략에 대한 연구가 제한적이며, 체계적인 탐구가 부족합니다. 이러한 격차를 해소하기 위해, 우리는 먼저 공중 및 지상 교통 모두에 대한 전략 선택을 통합하는 통합 최적화 모델을 제안합니다. 이 모델은 다중 모드 교통 네트워크의 동적 특성을 포착하고, 실시간 교통 상황과 함께 승객의 의사 결정 행동을 반영합니다. 이 모델을 기반으로, 우리는 딥 강화 학습(RL)과 차량-모든 것(V2X) 통신을 활용하여 수직 이착륙장 선택을 최적화하고 에어택시 경로를 동적으로 계획하는 통합 공중-지상 모빌리티 조정(UAGMC) 프레임워크를 제안합니다. 실험 결과는 UAGMC가 기존의 단순 할당 방법과 비교하여 평균 이동 시간을 34% 단축시켜 전반적인 이동 효율성을 향상시키고, 다중 모드 교통 시스템의 통합 및 최적화에 대한 새로운 통찰력을 제공한다는 것을 보여줍니다. 본 연구는 공중 및 지상 교통 모드를 조정하여 지능형 도시 모빌리티 솔루션을 발전시키는 데 중요한 기반을 제공합니다. 관련 코드는 https://github.com/Traffic-Alpha/UAGMC 에서 확인할 수 있습니다.

Urban Air Mobility (UAM) has emerged as a transformative solution to alleviate urban congestion by utilizing low-altitude airspace, thereby reducing pressure on ground transportation networks. To enable truly efficient and seamless door-to-door travel experiences, UAM requires close integration with existing ground transportation infrastructure. However, current research on optimal integrated routing strategies for passengers in air-ground mobility systems remains limited, with a lack of systematic exploration.To address this gap, we first propose a unified optimization model that integrates strategy selection for both air and ground transportation. This model captures the dynamic characteristics of multimodal transport networks and incorporates real-time traffic conditions alongside passenger decision-making behavior. Building on this model, we propose a Unified Air-Ground Mobility Coordination (UAGMC) framework, which leverages deep reinforcement learning (RL) and Vehicle-to-Everything (V2X) communication to optimize vertiport selection and dynamically plan air taxi routes. Experimental results demonstrate that UAGMC achieves a 34\% reduction in average travel time compared to conventional proportional allocation methods, enhancing overall travel efficiency and providing novel insights into the integration and optimization of multimodal transportation systems. This work lays a solid foundation for advancing intelligent urban mobility solutions through the coordination of air and ground transportation modes. The related code can be found at https://github.com/Traffic-Alpha/UAGMC.