Electric vehicle charging decisions with travel distance: novel clustering algorithm integrating spatial-temporal charging and trip data
Notice bibliographique
Résumé
The adoption of electric vehicles (EV) plays a crucial role in mitigating greenhouse gas emissions and decreasing reliance on fossil fuels. This realization requires a comprehensive comprehension of EV travel distances and charging decisions in different climates to enhance infrastructure and policy optimization. This study proposed that by clustering travel trip and charging characteristics, such as trip distances and battery levels, it would be possible to identify unique behavioral patterns that connecting charging preferences on traveling distance and charging decisions. These patterns could then be used to design and plan customized electric vehicle infrastructure. In this study, we developed a novel clustering methodology known as Novel DEC VAE Clustering Cuckoo Search K-Means (DVAE-CSKM) algorithm with a customized loss function to examine patterns on travel distances and charging decisions for electric and hybrid vehicles (HV) in cold and warm months, respectively. The case study data spans from April 2021 to April 2022 and includes over 328,000 charging events and 95,000 trip logs collected from EV and hybrid vehicle users. In comparison to conventional methods, the DVAE-CSKM algorithm achieved substantial improvements in clustering quality, with silhouette scores increasing by 23.83 % to 39.5 % across vehicle types and seasons. The analysis resolved four distinct charging behavior patterns: Frequent Short-Distance Travelers, Long-Haul Travelers, Range Extenders, and Urban Commuters, each displaying clear seasonal variation. These findings indicate that the development of seasonally adaptive, user-user-oriented charging infrastructure is critical for supporting broader EV adoption and ensuring the long-term sustainability of transportation systems. • Multi-dimensional clustering of integrated spatial, temporal, charge, and travel data for a holistic view of EV/HV behaviors. • Novel deep unsupervised machine learning is used to cluster EV/HV behavior with multi-dimensional seasonal charge–travel data. • Novel algorithm shows up to 39.5% improvement in validation score using a custom loss function based on features' importance. • Distinct clusters identified: frequent short-distance, long-haul, range extenders, and urban commuters with seasonal behaviors. • Clustering results aid strategic charger placement, infrastructure planning, energy management, and EV adoption policies.
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 | 0,001 |
| 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 ».