電動汽車司機怎么看待他們使用的充電網(wǎng)絡

隨著電動汽車逐漸成為主流，建立全國性的充電站網(wǎng)絡以保持電動汽車的運行將變得越來越重要。

佐治亞理工學院公共政策學院的一項新研究利用機器學習技術(shù)，為電動車司機對現(xiàn)有充電器網(wǎng)絡的態(tài)度提供了最好的見解。這些發(fā)現(xiàn)可能有助于政策制定者集中精力。

這篇論文發(fā)表在2020年6月的《自然可持續(xù)發(fā)展》雜志上，由助理教授Omar Isaac Asensio領(lǐng)導的團隊描述了通過訓練機器學習算法來分析美國12270個電動汽車充電站的非結(jié)構(gòu)化消費者數(shù)據(jù)

該研究展示了如何使用機器學習工具快速分析流數(shù)據(jù)，以接近實時的政策評估。流數(shù)據(jù)指的是源源不斷的數(shù)據(jù)，比如來自app的用戶評論。這項研究還揭示了關(guān)于電動汽車司機對充電站的感受的驚人發(fā)現(xiàn)。

例如，認為司機更喜歡私人車站而不是公共車站的傳統(tǒng)觀點似乎是錯誤的。這項研究還發(fā)現(xiàn)了大城市的充電站存在的潛在問題，預示著要建立一個強大的充電站系統(tǒng)來滿足所有司機的需求還將面臨挑戰(zhàn)。

Asensio寫道:“基于消費者數(shù)據(jù)的證據(jù)，我們認為，僅僅投資增加基站數(shù)量是不夠的，投資于充電體驗的質(zhì)量也很重要。”

充電站的缺乏是被采用的障礙

電動汽車被認為是解決氣候變化問題的關(guān)鍵部分:交通運輸目前是導致氣候變暖的主要排放源。但電動汽車普及的一個主要障礙是缺乏充電站，以及隨之而來的“里程焦慮”，這讓許多駕駛者對購買電動汽車感到緊張。

Asensio說，雖然近年來基礎(chǔ)設(shè)施顯著增長，但這項工作沒有考慮到消費者的實際需求。

Asensio說:“在電動汽車基礎(chǔ)設(shè)施發(fā)展的早期，大多數(shù)政策都是針對使用激勵措施來增加充電站的數(shù)量。”“我們沒有足夠的精力建設(shè)可靠的基礎(chǔ)設(shè)施，給用戶帶來信心。”

這項研究通過提供基于證據(jù)的、針對實際消費者情緒的全國性分析，幫助糾正了這一缺陷，而不是在許多分析中使用的間接旅行調(diào)查或模擬數(shù)據(jù)。

Asensio帶領(lǐng)一個由公共政策、工程和計算機專業(yè)的五名學生組成的團隊進行了這項研究。其中兩人來自喬治亞理工學院:剛從H. Milton工業(yè)與系統(tǒng)工程學院畢業(yè)的Catharina Hollauer，以及土木與環(huán)境工程學院和計算科學與工程學院的雙學位博士生Sooji Ha。

另外三人是2018佐治亞理工學院公民數(shù)據(jù)科學研究員項目的參與者，該項目吸引了來自全國各地的優(yōu)秀學生到佐治亞理工學院進行夏季的研究和學習。他們是北卡羅來納州立大學的凱文·阿爾瓦雷斯、史密斯學院的阿里爾·德羅和塔夫斯大學的愛默生·溫澤爾。

電動汽車充電的痛處曝光

Asensio的團隊使用深度學習文本分類算法來分析一款流行的電動汽車用戶智能手機應用程序中的數(shù)據(jù)。如果使用傳統(tǒng)方法，這將需要花費一年的時間。但該團隊的方法將任務縮短到幾分鐘，同時對情緒進行分類，準確率與人類專家相似。

研究發(fā)現(xiàn)，工作場所和多功能住宅車站的評價較低，經(jīng)常有人抱怨交通不便和標識不足。收費充電站往往比免費充電站得到更多的差評。但研究顯示，真正引起抱怨的是人口密集的城市中心的車站。

當研究人員控制地點和其他特征時，在人口密集的城市地區(qū)的車站與非城市地區(qū)相比，負面情緒增加了12-15%。

Asensio表示，這可能表明，最大的電動汽車市場存在廣泛的服務質(zhì)量問題，包括設(shè)備故障和充電器數(shù)量不足等問題。

評分最高的電臺通常位于酒店、餐廳和便利店，這一發(fā)現(xiàn)可能支持基于激勵的管理實踐，即安裝充電器來吸引顧客。根據(jù)這項研究，公共公園和娛樂設(shè)施、房車公園和游客中心的車站也表現(xiàn)良好。

但是，與認為私人充電站應該提供更高效服務的理論相反，這項研究發(fā)現(xiàn)，當涉及到公共充電站和私人充電站時，用戶的偏好并沒有統(tǒng)計上的顯著差異。

Asensio說，這一發(fā)現(xiàn)可能會促使人們投資公共收費基礎(chǔ)設(shè)施，以滿足未來的增長。國家研究委員會在一份研究報告中指出，這樣的網(wǎng)絡是幫助克服電動汽車使用障礙的關(guān)鍵。

完善電動汽車以外的政策評估

Asensio表示，總體而言，該研究指出，在考慮如何建設(shè)基礎(chǔ)設(shè)施時，需要優(yōu)先考慮消費者數(shù)據(jù)，尤其是在新建筑的充電站需求方面。

但EV政策并不是該研究的深度學習技術(shù)用于分析這類材料的唯一方式。它們可以適用于廣泛的能源和交通問題，使研究人員只需幾分鐘的計算就能提供快速分析，而使用更傳統(tǒng)的方法，有時需要數(shù)月或數(shù)年的時間滯后。

Asensio說:“能源政策的后續(xù)潛力是向由機器學習驅(qū)動的自動化形式的基礎(chǔ)設(shè)施管理發(fā)展，特別是能源、交通系統(tǒng)和智能城市之間的關(guān)鍵聯(lián)系?！?/p>