Publication detail

A hybrid suitability mapping model integrating GIS, machine learning, and multi-criteria decision analytics for optimizing service quality of electric vehicle charging stations

Year: 2024

Type of publication: článek v odborném periodiku

Name of source: Sustainable Cities and Society

Publisher name: Elsevier Science BV

Place: Amsterdam

Page from-to: 1-25

Titles:

Language	Name	Abstract	Keywords
cze	Hybridní model mapování vhodnosti integrující GIS, strojové učení a multikriteriální rozhodovací analýzu pro optimalizaci kvality služeb nabíjecích stanic pro elektromobily	Elektromobily se celosvětově objevují jako udržitelná dopravní řešení. Neadekvátní nabíjecí stanice pro elektromobily (EVCS) brání jejich širšímu přijetí. Optimální výběr místa EVCS je životně důležitý a vyžaduje analýzy vícekriteriálního rozhodování (MCDM) a geografické informační systémy (GIS). Výzkum poprvé v problémech s výběrem lokalit představuje inovativní metodologii, která integruje GIS, strojové učení a MCDM a efektivně mapuje vhodnost EVCS v městském prostředí. Cílem této studie je zaplnit mezeru v hodnocení umístění EVCS v hustě urbanizovaných oblastech přijetím retrospektivního přístupu ke zkoumání primárních i sekundárních kritérií na stávajících místech EVCS. Zaměřuje se na Prahu – město s hustou sítí EVCS – posuzuje jejich vhodnost pomocí různých technik MCDM, což představuje významný pokrok v optimalizaci distribuce EVCS. Prostorová analýza usnadnila reklasifikaci kritérií a algoritmus náhodného lesa (RF) identifikoval klíčová kritéria, zejména dopravní infrastrukturu a hustotu osídlení. K odvození vah kritérií a map vhodnosti se používá proces analytické hierarchie (AHP), fuzzy AHP a postupná analýza poměru váhy (SWARA). Srovnávací výsledky ukázaly sklon k fuzzy AHP ve srovnání s jinými metodami MCDM pro modelování analýzy vhodnosti pro umístění EVCS, což ukazuje na jeho okrajovou účinnost s největší oblastí s vysokou vhodností (172 km 2 ) a hostováním nejvíce EVCS (461) v této zóně s nejvyšší průměrné skóre (4,49). Tato studie nejen hodnotí důležitost kritérií a technickou účinnost, ale také znamená posun paradigmatu v MCDM od subjektivního k objektivnímu rozhodování založenému na datech začleněním strojového učení. Zavedený přístup nabízí vodítko pro plánování a rozšiřování EVCS určením oblastí, které optimalizují kvalitu služeb.	Hybridní; model; mapování; vhodnosti; integrující; GIS; strojové; učení; multikriteriální; rozhodovací; analýzu; optimalizaci; kvality; služeb; nabíjecích; stanic; pro; elektromobily
eng	A hybrid suitability mapping model integrating GIS, machine learning, and multi-criteria decision analytics for optimizing service quality of electric vehicle charging stations	Electric vehicles are emerging as sustainable transportation solutions worldwide. Inadequate electric vehicle charging stations (EVCS) hinder their broader adoption. Optimal EVCS site selection is vital, requiring multicriteria decision-making (MCDM) analyses and geographic information systems (GIS). The research introduces, for the first time in site selection problems, an innovative methodology that integrates GIS, machine learning, and MCDM, effectively mapping the suitability of EVCS in urban environments. This study aims to fill the gap in evaluating EVCS placement in densely urbanized areas by adopting a retrospective approach to examine both primary and secondary criteria at existing EVCS sites. Focusing on Prague - a city with a dense EVCS network - it assesses their suitability using various MCDM techniques, representing a significant advance in optimizing EVCS distribution. Spatial analysis facilitated criteria reclassification, and the random forest (RF) algorithm identified key criteria, particularly transportation infrastructure and population density. Analytic hierarchy process (AHP), fuzzy AHP, and stepwise weight assessment ratio analysis (SWARA) are employed to derive criteria weights and suitability maps. Comparative results showed a predilection towards fuzzy AHP over other MCDM methods for modeling suitability analysis for placing EVCS, indicating its marginal effectiveness with the largest high-suitability area (172 km 2 ) and hosting the most EVCS (461) in this zone with the highest average score (4.49). This study not only assesses criteria importance and technique efficacy but also signifies a paradigm shift in MCDM from subjective to objective, data -driven decision-making by incorporating machine learning. The introduced approach offers guidance for EVCS planning and expansion by pinpointing areas that optimize service quality.	Electric vehicle charging stations; Geographic information system; Multi-criteria decision-making; Random forest; Suitability maps

Search

Login for students

Login for employees

Publication detail

Departments

Other Parts

Map

Services

Popular Links