佐治亚理工学院公共政策学院的一项新研究利用机器学习技术，为电动车司机对现有充电器网络的态度提供了最好的见解。这些发现可能有助于政策制定者集中精力。
这篇论文发表在2020年6月的《自然可持续发展》上，由助理教授Omar Isaac Asensio领导的团队描述了通过训练机器学习算法来分析美国12270个电动汽车充电站的非结构化消费者数据
该研究展示了如何使用机器学习工具快速分析流数据，以接近实时的政策评估。流数据指的是源源不断的数据，比自app的用户评论。这项研究还了关于电动汽车司机对充电站的感受的惊人发现。
例如，认为司机更喜欢私人车站而不是公共车站的传统观点似乎是错误的。这项研究还发现了大城市的充电站存在的潜在问题，预示着要建立一个强大的充电站系统来满足所有司机的需求还将面临挑战。
Asensio写道:“基于消费者数据的，我们认为，仅仅投资增加基站数量是不够的，投资于充电体验的质量也很重要。”
电动汽车被认为是解决气候变化问题的关键部分:交通运输目前是导致气候变暖的主要排放源。但电动汽车普及的一个主要障碍是缺乏充电站，以及随之而来的“里程焦虑”，这让许多驾驶者对购买电动汽车感到紧张。
Asensio说:“在电动汽车基础设施发展的早期，大多数政策都是针对使用激励措施来增加充电站的数量。”“我们没有足够的精力建设可靠的基础设施，给用户带来信心。”
这项研究通过提供基于的、针对实际消费者情绪的分析，帮助纠正了这一缺陷，而不是在许多分析中使用的间接旅行调查或模拟数据。
Asensio带领一个由公共政策、工程和计算机专业的五名学生组成的团队进行了这项研究。其中两人来自乔治亚理工学院:刚从H. Milton工业与系统工程学院毕业的Catharina Hollauer，以及土木与工程学院和计算科学与工程学院的双学位博士生Sooji Ha。
另外三人是2018佐治亚理工学院数据科学研究员项目的参与者，该项目吸引了来自全国各地的优秀学生到佐治亚理工学院进行夏季的研究和学习。他们是北卡罗来纳州立大学的凯文·阿尔瓦雷斯、史密斯学院的阿里尔·德罗和塔夫斯大学的爱默生·温泽尔。
Asensio的团队使用深度学习文本分类算法来分析一款流行的电动汽车用户智能手机应用程序中的数据。如果使用传统方法，这将需要花费一年的时间。但该团队的方法将任务缩短到几分钟，同时对情绪进行分类，准确率与人类专家相似。
研究发现，工作场所和多功能住宅车站的评价较低，经常有人抱怨交通不便和标识不足。收费充电站往往比免费充电站得到更多的差评。但研究显示，真正引起抱怨的是人口密集的城市中心的车站。
当研究人员控制地点和其他特征时，在人口密集的城市地区的车站与非城市地区相比，负面情绪增加了12-15%。
Asensio表示，这可能表明，最大的电动汽车市场存在广泛的服务质量问题，包括设备故障和充电器数量不足等问题。
五行缺木的女孩名字
评分最高的通常位于酒店、餐厅和便利店，这一发现可能支持基于激励的管理实践，即安装充电器来吸引顾客。根据这项研究，公共公园和娱乐设施、房车公园和游客中心的车站也表现良好。
但是，与认为私人充电站应该提供更高效服务的理论相反，这项研究发现，当涉及到公共充电站和私人充电站时，用户的偏好并没有统计上的显著差异。
Asensio说，这一发现可能会促使人们投资公共收费基础设施，以满足未来的增长。国家研究委员会在一份研究报告中指出，这样的网络是帮助克服电动汽车使用障碍的关键。
Asensio表示，总体而言，该研究指出，在考虑如何建设基础设施时，需要优先考虑消费者数据，尤其是在新建筑的充电站需求方面。
但EV政策并不是该研究的深度学习技术用于分析这类材料的唯一方式。它们可以适用于广泛的能源和交通问题，使研究人员只需几分钟的计算就能提供快速分析，而使用更传统的方法，有时需要数月或数年的时间滞后。
Asensio说:“能源政策的后续潜力是向由机器学习驱动的自动化形式的基础设施管理发展，特别是能源、交通系统和智能城市之间的关键联系。”
网友评论 ()条 查看