Deployment and Operation of Battery Swapping Stations for Electric Two-Wheelers Based on Machine Learning
Notice bibliographique
Résumé
Battery swapping stations effectively address the challenges of long charging times, lack of charging stations, and safety hazards for electric two-wheelers. With the rapid development of shared electric bicycles and takeaways, the scale of electric two-wheeler users is expanding while generating a huge demand for battery swapping. The research on the planning and operation of battery swapping stations (BSSs) for electric two-wheelers has yet to be widely discussed. This study developed a data-driven optimization model based on machine learning algorithms using Beijing’s battery swapping stations and point of interest (POI) dataset. First, through the spatial features of BSS analyzed by ArcGIS, we found that the coverage of BSSs was mainly concentrated within the fifth ring road, and the utilization rate was unbalanced. Then, on a 3000 m grid scale, a prediction model of BSS quantity with random forest, support vector regression, and gradient-boosting decision tree algorithm was built. The final stacking model was constructed by strengthening three single models with an accuracy of 86.21%. Compared with the original BSSs layout, the machine-learning algorithm proposed in this study can cover more factors and avoid the subjectivity of site selection. Finally, the queuing model for BSSs based on the Monte Carlo simulation was proposed. Through two scenarios, we found that the key parameters m (the number of charging slots) and λ (the user arrival rate) were influential to the outputs of service capability.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».