Competitive EV charging station location with queues
Bibliographic record
Abstract
Ce travail combine la théorie des files d’attente, la théorie des jeux et l’optimisation combinatoire — trois domaines importants de la recherche opérationnelle — pour aborder un problème urgent et d’intérêt pratique : la planification stratégique de l’infrastructure de recharge pour véhicules électriques (VE). Motivée par l’importance croissante des enjeux sociétaux et environnementaux liés à l’adoption accélérée des VE, en particulier dans des régions comme le Québec où les objectifs gouvernementaux visent une réduction significative des émissions liées au transport, cette recherche développe un cadre complet de modélisation et de résolution pour orienter l’implantation de bornes de recharge publiques dans des marchés urbains concurrentiels. Nous modélisons le problème de planification comme un programme d’optimisation bilinéaire non linéaire. Au niveau supérieur, un planificateur central cherche à maximiser l’accessibilité en sélectionnant les emplacements optimaux pour les stations, l’accessibilité étant définie par le débit des usagers — une mesure de la qualité de service fondée sur la théorie des files d’attente. Au niveau inférieur, des usagers autonomes choisissent leur station en fonction du temps de déplacement, du temps d’attente et de la probabilité de renoncement, ce qui donne lieu à un problème d’équilibre utilisateur. Afin de représenter de manière réaliste la congestion et le comportement des usagers, nous étudions trois systèmes de files d’attente finies ($M/M/1/K$, $M/M/s/K$, et $M/E_r/s/K$), dont nous caractérisons analytiquement les indicateurs de performance, avec validation par simulation. Nous proposons deux approches de résolution complémentaires : une méthode de linéarisation inspirée de la littérature sur la localisation d’installations en contexte de congestion et de concurrence, et une heuristique fondée sur un modèle substitut, conçue pour la mise à l’échelle. En appliquant cette méthodologie à une étude de cas réelle dans une zone urbaine de la ville de Montréal (Canada), nous mettons en évidence des enseignements sur l’impact de la concurrence et des hypothèses comportementales sur les décisions d’infrastructure et l’accessibilité du réseau. En intégrant la dynamique détaillée des files d’attente, le contexte concurrentiel et le comportement des usagers dans la planification de l’infrastructure, cette thèse propose un cadre original et pertinent pour les politiques publiques, susceptible de soutenir les objectifs de transport durable grâce à des stratégies plus efficaces de planification des bornes de recharge publiques pour VE.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".