Geographic Factors Impacting the Demand for Public EV Charging: An Observational Study
Notice bibliographique
Résumé
The practicality and substitutability of electric vehicles depend on there being a fast, reliable way to recharge on round trips beyond the range of a single charge. Grouping such infrastructure into charging hubs benefits developers and operators through economies of scale and electric vehicle drivers in terms of travel logistics and passed-through cost savings. The need for charging capacity at en-route charging hubs is impacted by the following four identifiable geo-social parameters: (a) highway travel volumes, reflecting the rate at which electric vehicles are expending energy in the area; (b) local population, reflecting both the increased needs of electric vehicle owners without dedicated home chargers and the reduced needs of those commuting into a metropolitan center; (c) the quantity of competing charging stations; and (d) being on a critical interprovincial route. Twelve charging stations located in diverse locations around Nova Scotia, Canada, were evaluated in terms of these four parameters, and their recorded use was investigated from a dataset of 26,000 charging events between April 2022 and April 2024. The regression reveals that there are strong positive correlations between demand for fast charging and (a) traffic volumes (45%) and (c) being on an interprovincial route (42%), while there is only a very weak correlation with (b) local population (2%). Interestingly, there is only a weak negative correlation with (c) the number and capacity of nearby competing chargers (−6%), suggesting that either in short-term route choice or longer-term vehicle choice, the presence of chargers encourages electric vehicles.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».