随着在线导航和网约车服务的普及，满足多样化用户偏好的最优路径规划受到关注。传统图算法通过启发式代价函数定义边权，无法保证路径质量的最优性。已有的数据驱动方法把最优路径的真实标签等同于用户轨迹，但受导航服务影响，存在反馈回路问题。为了解决这些问题，我们提出一种深度架构，能够联合优化代价函数和路径排序模型，以适配任意路径偏好。
首先，在离线阶段运行多目标 Dijkstra，收集所有 Pareto 最优路径，视为完整候选集合。利用该集合的特性，设计了一个神经网络结构，模拟最短路搜索和路径排序，实现端到端可微分。
其次，将路径偏好定义为约束优化任务，对路径属性进行约束，仅对单一目标变量进行优化，提出了新的损失函数。
我们在真实数据集上进行大量实验，结果表明该架构在路径质量和可定制性方面显著优于最新方法。
点评