Spherical fuzzy evidential reasoning for vehicle-to-grid enabled electric vehicle adoption: A data-driven analysis of public perception
Notice bibliographique
Résumé
• SFS-ER was applied to quantify the public perception of V2G adoption technology. • Awareness and interest were identified as key drivers of V2G Enabled EV Adoption. • Respondents were clustered into Supporters, Skeptical, and Resistant groups. • Proposed recommendations to enhance public awareness, incentives, and infrastructure solutions. The successful adoption of Vehicle-to-Grid (V2G) technology depends on public awareness, infrastructure readiness, and policy support. This study presents a Spherical Fuzzy Set-Evidential Reasoning (SFS-ER) framework to assess public perceptions of V2G adoption, leveraging survey data from 729 respondents in Okanagan, British Columbia (BC), Canada. The study quantifies belief structures through three dimensions: True Belief ( m T ), False Belief ( m F ), and Uncertainty ( m U ), and computes utility scores to evaluate adoption likelihood. K-Means clustering with the Elbow Method identifies three distinct respondent groups: Supporters (high belief and adoption potential), Skeptical (moderate false beliefs), and Resistant (high skepticism and reluctance toward adoption). The findings reveal that awareness ( m T = 0.78) and interest ( m T = 0.75) are the strongest predictors of adoption, whereas familiarity alone has a limited impact. Higher-income and university-educated respondents demonstrate greater awareness, while apartment and townhouse residents face structural barriers due to limited charging infrastructure. Moreover, sensitivity analysis confirms that awareness-driven interventions can increase utility scores by 5.4 %. Based on the results, the key policy recommendations include expanding educational initiatives, implementing financial incentives, and integrating V2G-ready infrastructure in multi-unit dwellings.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».