論文の概要: A County-Level Similarity Network of Electric Vehicle Adoption: Integrating Predictive Modeling and Graph Theory

• arxiv url: http://arxiv.org/abs/2511.14999v1
• Date: Wed, 19 Nov 2025 00:45:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.574478
• Title: A County-Level Similarity Network of Electric Vehicle Adoption: Integrating Predictive Modeling and Graph Theory
• Title（参考訳）: 電気自動車導入における郡レベルの類似性ネットワーク:予測モデリングとグラフ理論の統合
• Authors: Fahad Alrasheedi, Hesham Ali,
• Abstract要約: 本研究では、予測モデリングを補完するグラフ理論フレームワークを導入し、郡レベルの特性がEV導入にどのように関係しているかをよりよく把握する。 発見は、中央値収入の減少、教育の達成、充電ステーションの可利用性など、一貫したグローバルなトレンドを明らかにしている。 田園部であるが経済的に不利なグループもあるが、都市化されているグループもあるが、高い貧困率を経験しているグループもある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric vehicle (EV) adoption is essential for reducing carbon dioxide (CO2) emissions from internal combustion engine vehicles (ICEVs), which account for nearly half of transportation-related emissions in the United States. Yet regional EV adoption varies widely, and prior studies often overlook county-level heterogeneity by relying on broad state-level analyses or limited city samples. Such approaches risk masking local patterns and may lead to inaccurate or non-transferable policy recommendations. This study introduces a graph-theoretic framework that complements predictive modeling to better capture how county-level characteristics relate to EV adoption. Feature importances from multiple predictive models are averaged and used as weights within a weighted Gower similarity metric to construct a county similarity network. A mutual k-nearest-neighbors procedure and modularity-based community detection identify 27 clusters of counties with similar weighted feature profiles. EV adoption rates are then analyzed across clusters, and standardized effect sizes (Cohens d) highlight the most distinguishing features for each cluster. Findings reveal consistent global trends, such as declining median income, educational attainment, and charging-station availability across lower adoption tiers; while also uncovering important local variations that general trend or prediction analyses fail to capture. In particular, some low-adoption groups are rural but not economically disadvantaged, whereas others are urbanized yet experience high poverty rates, demonstrating that different mechanisms can lead to the same adoption outcome. By exposing both global structural patterns and localized deviations, this framework provides policymakers with actionable, cluster-specific insights for designing more effective and context-sensitive EV adoption strategies.
• Abstract（参考訳）: 電気自動車(EV)の採用は、米国内の輸送関連排出のほぼ半分を占める内燃機関車(ICEV)からの二酸化炭素(CO2)排出を減らすために必要である。 しかし、地域EVの普及は様々であり、以前の研究では州レベルの広範な分析や限られた都市のサンプルに頼って郡レベルの不均一性を見落としていることが多い。 このようなアプローチは、局所的なパターンを隠蔽し、不正確または非伝達可能なポリシーレコメンデーションにつながる可能性がある。 本研究では、予測モデリングを補完するグラフ理論フレームワークを導入し、郡レベルの特性がEV導入にどのように関係しているかをよりよく把握する。 複数の予測モデルの特徴的重要性は、郡類似性ネットワークを構築するために、重み付きゴーワー類似度メトリック内の重みとして平均化され、使用される。 相互のk-アネレスト近傍手順とモジュール性に基づくコミュニティ検出は、類似の特徴プロファイルを持つ27の郡を識別する。 EVの採用率はクラスタ間で分析され、標準化されたエフェクトサイズ(Cohens d)は各クラスタで最も区別された機能を強調します。 発見は、中央値収入の減少、教育達成率の低下、採用率の低い層にわたる充電ステーションの可用性など、一貫したグローバルなトレンドを明らかにし、一方で、一般的なトレンドや予測分析が捉えられない重要な局所的変動を明らかにしている。 特に、一部の低所得層は農村部であるが経済的に不利ではないが、都市部では高い貧困率を経験しており、異なるメカニズムが同じ養子縁組に繋がることを示した。 このフレームワークは、グローバルな構造パターンと局所的な逸脱の両方を公開することで、より効果的でコンテキストに敏感なEV導入戦略を設計するための、実用的な、クラスタ固有の洞察を提供する。

関連論文リスト

• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• Data-Driven Optimization of EV Charging Station Placement Using Causal Discovery [6.061650526072546]
  本研究では,Palo Alto と Boulder の充電データを分析し,駅特性と利用率の関係を明らかにする。 このデータに構造学習アルゴリズムを適用することで、充電需要は、アメニティへの近さ、EV登録密度、高軌道への隣接性の3つの要因によって決定されることが明らかになった。 我々は、これらの洞察を実行可能な配置レコメンデーションに変換する最適化フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-03-21T11:15:02Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Forecasting Auxiliary Energy Consumption for Electric Heavy-Duty Vehicles [6.375656754994484]
  電気自動車の運転を最適化するためには、エネルギー消費予測が不可欠である。 本稿では、データのサブセット上で複数の回帰モデルをトレーニングすることで、潜在的な解決策を実証する。 合成データセットと実世界のデータセットの両方の実験では、複雑な問題をより単純なデータセットに分割することで、より良い回帰性能と解釈可能性が得られることが示されている。
  論文  参考訳（メタデータ） (2023-11-27T16:52:25Z)
• Spatially-aware station based car-sharing demand prediction [2.0840675600355127]
  本稿では,空間認識学習アルゴリズムを用いて,駅型カーシェアリングサービスにおける月平均需要を分析することを提案する。 まず、異なるモデリング手法の性能を比較し、入力機能の一部としてグローバルなランダムフォレストとジオコーディネートを組み合わせることで、最高の予測性能が得られることを示す。 SHAP値とGWRモデルとMGWRモデルの係数によるランダムフォレストの解析により、人口密度とカーシェアリングの供給に加えて、周囲のPOIなどの空間的特徴も重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-25T10:10:11Z)
• Additive Covariance Matrix Models: Modelling Regional Electricity Net-Demand in Great Britain [0.0]
  我々は、イギリスの電力網を構成する14の地域において、ネット需要の同時分布を予測した。 統合モデリングは、地域ごとの需要変動と地域間の依存関係が、時間的、社会経済的、気象的要因によって異なるという事実によって複雑である。
  論文  参考訳（メタデータ） (2022-11-14T15:27:11Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• An Adaptive Clustering Approach for Accident Prediction [2.578242050187029]
  最先端の事故予測手法は、静的および均一な格子に基づく地理空間集約に基づいている。 本稿では,グリッド成長アルゴリズムに基づく新しい事故予測手法であるAdaptive Clustering Accident Prediction (ACAP)を提案する。 ACAPは,F1スコアの平均値において,複合領域の事故予測性能を2～3ポイント向上することを示した。
  論文  参考訳（メタデータ） (2021-08-27T14:38:34Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。