Design of a Decision-Based Multicriteria Reservation System for the EV Parking Lot
Notice bibliographique
Résumé
In metropolitans, the problem of finding available parking slots has changed as finding available parking slots having charging stations due to increasing electric vehicle (EV) deployment. Smart management systems can be used in this manner for obtaining an optimum parking slot in EV parking lots (PLs) considering EV users’ preferences. This article proposes a smart reservation system considering the behavior of EV users, parking slot availability (PSA), state-of-charge (SoC) value of EVs, and PL usage history of EV users. In order to handle weighting the behavior of EV users according to a comprehensive criteria comparison, the analytical hierarchy process (AHP) from multicriteria decision-making (MCDM) techniques is used in the smart reservation system. Thereafter, the proposed ranking function is presented to develop the mentioned quality-of-experience (QoE)-based charging slot allocation considering the reservation requests of EV users sent via a mobile application and to accept the optimal EVs in accordance with the weights assigned by AHP. The proposed concept is tested under different cases generated by changing the individual importance degree of EV user’s criteria. The different case studies demonstrate the effectiveness of the proposed decision-based multicriteria reservation system in terms of EV users’ acceptance ratio. Simulation results show that not only the importance degree related to the EV users’ criteria has an important effect in accepting appropriate EV users but also PSA management is another vital criterion especially in peak-load hours.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».