帮我降重：针对上述问题，另一种方法考虑到空中交通复杂性是一系列复杂性因素之间相互作用的结果，因此许多学者通过综合多个紧密相关的因素来产生更全面的复杂性度量指标，结合机器学习技术来计算复杂性，并取得了一些令人满意的效果[94,95]。然而，基于机器学习的方法非常依赖所构建的特征集，这可能需要根据复杂性因素进行更多的特征选择或特征构造的工作。因此，最新的研究使用深度学习方法来自动提取原始数据的高级语义特征。谢等人[96]于2021年首次提出了一种扇区运行场景的图像表示法，进而结合深度学习技术提出了一种基于深度卷积神经网络（DCNN）的SOC评估方法，有效地提高了SOC评估的准确性。这种新的扇区运行场景信息的图像表示方法，为SOC评估方法的发展打开了新思路，使得在图像处理领域表现出色的多种深度学习技术，可以用于解决SOC评估问题。 受此启发，本章节尝试利用深度度量学习方法在联合学习特征表示和语义嵌入方面的优势，提出了一种基于深度度量学习的SOC评估方法（SOCDML）。该方法以多通道空中交通场景图像（Multi-channels Air Traffic Scenario Image，MTSI）[96]作为输入，首先利用DCNN提取扇区交通信息相关的深层特征。然后，设计了一种基于排序代理锚损失的深度度量学习算法，并用该算法对所提取原始数据的嵌入向量进行度量，使具有相似交通场景的嵌入向量之间的距离变小，而不同嵌入向量之间的距离变大。最后将提取到的嵌入向量作为后续1NN分类算法的输入，实现SOC评估。

综上所述，本文提出的基于深度度量学习的SOC评估方法（SOCDML），通过提取多通道空中交通场景图像（MTSI）的深度特征，并使用排序代理锚损失对原始数据进行度量，可以有效地提高SOC评估的准确性，从而有助于降低重量。