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 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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».