ارزیابی انتقال‌پذیری مدل‌های یادگیری ماشین برای برآورد تقاضای بالقوهٔ شارژ خودروهای برقی: اعتبارسنجی خارجی بین‌شهری و مطالعهٔ آمادگی داده در اصفهان، ایران

ارزیابی انتقال‌پذیری مدل‌های یادگیری ماشین برای برآورد تقاضای بالقوهٔ شارژ خودروهای برقی: اعتبارسنجی خارجی بین‌شهری و مطالعهٔ آمادگی داده در اصفهان، ایران

پریسا قهرمان شهرکی1

1) مهندس کامپیوتر

کد IOI مقاله : AAHF-ACZBZH
محل انتشار : کنفرانس ملی فناوری های معماری و هنر، شهر هوشمند، صنایع نرم وخلاق و فرهنگ فناوری (icact.ir)
چکیده :
    گسترش سریع خودروهای برقی، نیاز به زیرساخت شارژ عمومیِ قابل‌دسترس و دارای بهره‌برداری مناسب را افزایش داده است. بااین‌حال، مدل‌های برآورد تقاضای شارژ که در یک شهر توسعه می‌یابند، اغلب بدون ارزیابی دقیق انتقال‌پذیری روابط پیش‌بینی‌کنندهٔ آن‌ها به شهرهای دیگر به کار گرفته می‌شوند. پژوهش حاضر یک چارچوب مدل‌سازی انتقال‌پذیر را برای شناسایی نواحی دارای پتانسیل تقاضای بالای شارژ خودروهای برقی توسعه و ارزیابی می‌کند. مدل با استفاده از داده‌های مجموعه‌دادهٔ CHARGED در پنج شهر آمستردام، ژوهانسبورگ، لس‌آنجلس، ملبورن و سائوپائولو آموزش یافت و با اعتبارسنجی «کنارگذاری یک شهر» ارزیابی شد. متغیر هدف، طبقه‌بندی ۲۰ درصد بالای سلول‌های مکانی هر شهر بر مبنای مقدار بلندمدت تقاضای روزانهٔ شارژ به‌ازای هر شارژر بود. مجموعه‌ویژگی نهایی شامل شاخص‌های مکانیِ قابل‌انتقالِ حاصل از نقاط علاقه، جمعیت و سطح ساخته‌شده بود. مدل HistGradientBoosting تنها بر اساس ارزیابی داخلی بین‌شهری انتخاب شد و میانگین ROC-AUC برابر با 0.5671، میانگین PR-AUC برابر با 0.2905 و دقت 0.3056 در میان ۲۰ درصد سلول‌های دارای بالاترین اولویت را به‌دست آورد؛ درحالی‌که خط مبنای تصادفی برابر با 0.2134 بود. سپس این مدل، بدون بازآموزی یا تنظیم، یک‌بار بر مجموعه‌دادهٔ مستقل UrbanEV در شهر شنژن چین ارزیابی شد. عملکرد خارجی به ROC-AUC برابر با 0.4773، PR-AUC برابر با 0.2100 و دقت 0.1786 در ۲۰ درصد بالای رتبه‌بندی کاهش یافت؛ مقداری که از شیوع واقعی نواحی پُرتقاضا در شنژن، برابر با 0.2036، نیز کمتر بود. تحلیل تغییر توزیع ویژگی‌ها، تفاوت‌های چشمگیری را در ظرفیت شارژ، تراکم ایستگاه‌ها، تراکم نقاط علاقه، جمعیت و فرم ساخته‌شده میان شهرهای آموزشی و شنژن نشان داد. در ادامه، یک جریان‌کار اکتشافیِ آمادگی داده برای اصفهان شامل شبکهٔ تحلیلی ۵۰۰ متری، لایه‌های راه و نقاط علاقهٔ OpenStreetMap، و شاخص‌های جمعیت و سطح ساخته‌شدهٔ GHSL تهیه شد. این خروجی‌ها تنها برای آماده‌سازی مدل‌سازی و اعتبارسنجی محلی آینده ارائه می‌شوند و توصیهٔ احداث ایستگاه نیستند. یافته‌ها نشان می‌دهند که عملکرد قابل‌قبول در اعتبارسنجی داخلی بین‌شهری، به‌تنهایی انتقال‌پذیری خارجی مدل را اثبات نمی‌کند. پیش از استفادهٔ عملی از مدل در یک شهر جدید، داده‌های محلی رفتار شارژ، مشخصات زیرساخت، الگوهای سفر و اطلاعات شبکهٔ برق ضروری است.

کلمات کلیدی : واژگان کلیدی خودروهای برقی تقاضای شارژ انتقال‌پذیری مدل اعتبارسنجی خارجی یادگیری ماشین مکانی زیرساخت شارژ اصفهان