مدلسازی یادگیری ماشین تعداد وسیله با سوخت جایگزین خانوار به تفکیک ایالت براساس داده های NHTS

در این مطالعه سعی کردیم با استفاده از مدلسازی یادگیری ماشین داده های NHTS به بررسی پراکنش مکانی استفاده از خودروهای سوخت جایگزین در ایالات های مخلف ایالات متحده بپردازیم. در این روش از مدل های مختلف یادگیری ماشین استفاده شده است. با توجه به تحلیل نتایج مدلسازی یادگیری ماشین از داده های استفاده از سوخت جایگزین در ایالت های امریکا، می توان نتیجه گیری کرد که مناطق شهری نسبت به مناطق روستایی بطور گسترده تری از خودروهای سوخت جایگزین استفاده می کنند. سوخت جایگزین در ایالاتهای مختلف روند مکانی معنی داری ندارد. استفاده از خودروهایی با انواع سوخت جایگزین در ایالات هایی که سهم خانوارهای شهری بیشتری دارند سهم بالاتری دارد.

کلید واژه ها: سوخت جایگزین، ایالت های امریکا، یادگیری ماشین

خودروهای با سوخت جایگزین چیست؟

روند استقبال از خودروهای با سوخت جایگزین

سیاستگذاری برای استفاده از خودروهای برقی (یا سوخت جایگزین)

پیشینه مطالعات درباره خودروهای برقی

مطالعه درباره خودرو های برقی در جهان

یادگیری ماشین چیست؟

یادگیری عمیق چیست؟

آمارهای استفاده از انواع خودروهای برقی در ایالت های امریکا

تعداد خودرو برقی در ایالت های امریکا

سهم ایالت های مختلف در استفاده از خودرو برقی

نتیجه گیری

منابع

خودروهای با سوخت جایگزین چیست؟

امروزه بسیاری از چالش های زیست محیطی از جمله تغییرات آب و هوایی بسیاری از کشورها را به سمت خودروهای سوخت جایگزین (AFVs) سوق داده است. توسعه AFV ها مانند وسایل نقلیه الکتریکی (EVs)، وسایل نقلیه پروپان، اتوبوس های گاز طبیعی، وسایل نقلیه اتانول، وسایل نقلیه بیودیزل، وسایل نقلیه هسته ای، و وسایل نقلیه با انرژی خورشیدی، قصد دارد موتورهای احتراق داخلی معمولی را با سیستم های قدرت سازگار با محیط زیست جایگزین کند. با وجود مزایایی که در کاهش آلاینده‌های هوا و انتشار گازهای گلخانه‌ای (GHG) دارند، AFV ها دارای معایبی هستند، مانند برد کوتاه، قیمت فروش بالا و ایستگاه‌های شارژ/تعمیر ناکافی، که قبل از استقرار کامل نیاز به بهبود دارند (Wu et al., 2020). استفاده از سوخت های جایگزین برای استفاده خودروها می تواند تحول بزرگی در صنعت حمل و نقل ایجاد کند. استفاده از آنها نه تنها آلودگی زیست محیطی را کاهش می دهد، بلکه باعث اشتغال افراد در سطوح مختلف مهارت می شود. این امر می تواند صنایع مختلف مرتبط با تولید، خدمات و نجات خودروهایی که با سوخت جایگزین کار می کنند را جذب کند. علاوه بر این، استفاده از سوخت‌های زیستی به پیشرفت‌هایی در تحقیقات کشاورزی نیاز دارد که می‌تواند در سایر محصولات نیز اعمال شود و امنیت غذایی را بهبود بخشد (Sandaka and Kumar, 2023).

در این زمینه تحلیل های آماری و مدل های کمی توسعه داده شده اندکه می توانند روندها را تحلیل کنند و پیش بینی کنند که تغییرات در یک حوزه به چه سمتی در حال حرکت است. از جمله این مدل ها مدل آماری منن کندال است که در مطالعات مختلف برای پیش بینی های آماری استفاده شده است. در عددایکس این مدل در یک اکسل طراحی شد تا بتوانیم براحی معنی داری یک روند را بررسی کنیم و مطمن شویم که یک روند افزایشی یا کاهشی شانسی نیست و ادامه دار خواهد بود. برای دریافت اکسل من کندال می توانید از این لینک اقدام کنید. این آزمون تحلیل روند می تواند روند گرایش مردم جامعه به سمت استفاده از یک تکنولوژی را پیش بینی کند.

همچنین شاخص های آماری مانند تعیین اقلیم و نوع آب و هوای یک منطقه می توان از شاخص هایی مانند شاخص کلاس بندی اقلیمی محلی آمبرژه استفاده کرد. مدل آمبرژه که توسط متخصص آمار بنام آمبرژه توسعه داده شد می تواند تعیین کند که در گذشه اقلیم یک شهرستان چه شاخص عددی داشته و اکنون عدد شاخص امبرژه چند است. تعیین شاخص عدد اقلیمی می تواند تغییرات اقلیمی را نشان دهد. در مجموعه عدد x ما ابزارهای x و اکسل توسعه داده ایم که یکی از این ابزارهای اکسل آمبرژه است که می تواند مقدار ارزش عددی آب و هوای هر شهرستان را مشخص کند.

روند استقبال از خودروهای با سوخت جایگزین

افزایش رو به رشد وسایل نقلیه الکتریکی (EVs) در سیستم حمل و نقل جهانی موضوعی جدید است که نیازمند بررسی ابعاد مختلف آن به منظور حل چالش ها و ارائه راهکارهای مفید برای توسعه آن هستیم. تشویق به پذیرش وسایل نقلیه با سوخت جایگزین (AFVs) به عنوان یک هدف اصلی سیاست در حال انجام در تلاش‌های کالیفرنیا برای کنترل آلاینده‌ها و انتشار گازهای گلخانه‌ای (GHG) و به طور گسترده‌تر کاهش اثرات نامطلوب زیست‌محیطی مرتبط با اتکا به سوخت موتورهای نفتی ظاهر شده است. از دیدگاه مصرف کننده، AFV ها هزینه های سوخت را کاهش می دهند و می توانند ساختار اقتصادی انتخاب های تحرک را در سطح خانوار تغییر دهند (Iogansen et al., 2023).

بخش حمل و نقل منبع اصلی آلودگی هوا در شهرهای اروپایی است (کمیسیون اروپا، ۲۰۱۹). در مقایسه با سطوح سال ۱۹۹۰، بخش حمل و نقل در اروپا تنها بخشی است که انتشار گازهای گلخانه ای (GHG) در آن افزایش یافته است (EEA، ۲۰۱۸). در نتیجه، خودروهای سوخت جایگزین (AFVs) در حال حاضر به عنوان راه حلی برای کاهش میزان انتشار کربن و اتکای ما به سوخت‌های فسیلی ارائه می‌شوند. AFV ها به عنوان وسایل نقلیه ای تعریف می شوند که با سوختی غیر از سوخت های سنتی مبتنی بر نفت (بنزین یا گازوئیل) یا هر فناوری که موتوری را تامین می کند که صرفاً شامل نفت نیست، کار می کند (Mohammed et al., 2020).

سیاستگذاری برای استفاده از خودروهای برقی (یا سوخت جایگزین)

سیاستگذاران برای دهه‌ها از استفاده از AFV حمایت کرده‌اند و به اکتشاف اولیه کالیفرنیا در مورد دستور فروش ۲ درصدی خودروهای الکتریکی در اواخر دهه ۱۹۹۰ بازمی‌گردد. برای سیاستگذاران برای طراحی و اجرای سیاست‌هایی برای حمایت از این فرآیند شکل‌گیری بازار، نیازمند درک دقیقی از عواملی است که بر پذیرش و استفاده افراد از AFV در طول این فرآیند تأثیر می‌گذارد. این امر باعث انجام مطالعات بسیاری در مجموعه ای از رشته های دانشگاهی مرتبط شد. اکثریت قریب به اتفاق مطالعات در دوره‌ای انجام شد که اساساً هیچ AFV در بازار وجود نداشت، و نیازمند رویکردهای تحقیقاتی بسیار اکتشافی و روش‌شناسی بود که از توصیفات خودروی فرضی استفاده می‌کرد (به عنوان مثال، آزمایش‌های انتخاب گسسته). حتی در حال حاضر، حدود ۱۲ سال پس از معرفی PEVs در سال ۲۰۱۰، جمعیت عمومی در اکثر بازارها آگاهی و دانش بسیار محدودی از PEVs دارند، بنابراین مطالعات اضافی با استفاده از رویکردهای مشابه ادامه دارد. در عین حال، تعداد پیشنهادات PEV در سال های اخیر افزایش یافته است و بخش رو به رشدی از پذیرندگان اولیه آنها را خریداری و استفاده می کنند. این مصرف‌کنندگان هدف قرار گرفته‌اند و به‌طور گسترده مورد مطالعه قرار گرفته‌اند تا با جزئیات بفهمند چه عواملی در تصمیم‌گیری آن‌ها (از جمله نقش مشوق‌های مرتبط با سیاست‌های موجود) نقش داشته است، و اینکه این بخش چگونه با جمعیت عمومی متفاوت است. در حالی که این موضوع ادامه داشته است، علایق محققان به سایر گزینه‌های حرکتی (مانند سواری/اشتراک‌گذاری، اشتراک‌گذاری خودرو، اشتراک دوچرخه، دوچرخه‌های الکترونیکی و اسکوترهای الکترونیکی) از جمله امکان خودرانی (خودران) گسترش یافته است (Iogansen et al., 2023).  

پذیرش ناوگان خودروهای سوخت جایگزین – چارچوب نظری موانع و توانمندسازها  در پژوهش مروری محمد و همکاران (۲۰۲۰) مورد بررسی قرار گرفت. آنها که ۵۳ مطالعه را در این زمینه بطور دقیق بررسی کردند به این نتیجه رسیدند که توانمندسازی‌های اولیه برای شرکت‌ها به کارآیی، زیست‌محیطی، اقتصادی و دستاوردهای استراتژیک مرتبط هستند. آنها دریافتند که موانع اولیه برای پذیرش دانش محدود، سیاست های سازمانی و همچنین عوامل عملیاتی و اقتصادی است. به طور کلی، ادبیات پذیرش ناوگان AFV نشان می دهد که شرکت های بزرگ به احتمال زیاد به پذیرندگان اولیه تبدیل می شوند، که عمدتاً به دلیل تمایل آنها به پذیرش ریسک های مالی در ازای مزایای اولین حرکت است.

پیشینه مطالعات درباره خودروهای برقی

ویو و همکاران (۲۰۲۳) در مطالعه خود با عنوان پیشرفت در خودروهای سوخت جایگزین ضمن مرور و جمع بندی مطالعات انجام شده اظهار داشتند که توسعه AFV ها مانند وسایل نقلیه الکتریکی (EVs)، وسایل نقلیه پروپان، اتوبوس های گاز طبیعی، وسایل نقلیه اتانول، وسایل نقلیه بیودیزل، وسایل نقلیه هسته ای، و وسایل نقلیه با انرژی خورشیدی، قصد دارد موتورهای احتراق داخلی معمولی را با سیستم های قدرت سازگار با محیط زیست جایگزین کند. علیرغم مزایایی که در کاهش آلاینده‌های هوا و انتشار گازهای گلخانه‌ای (GHG) دارند، AFV دارای معایبی مانند برد کوتاه، قیمت فروش بالا و ایستگاه‌های شارژ/تعمیر ناکافی است که قبل از استقرار کامل نیاز به بهبود دارند.

یوگانسن و همکاران (۲۰۲۳) در مطالعه خود با عنوان رمزگشایی عوامل مرتبط با پذیرش وسایل نقلیه سوخت جایگزین در کالیفرنیا: بررسی نگرش های نهفته، اجتماعی-دموگرافیک، و اثرات محله بر اساس نمونه‌ای از ۳۲۶۰ ساکن کالیفرنیا از نظرسنجی پنل کالیفرنیا در سال ۲۰۱۸، تأثیر نگرش‌های پنهان، ویژگی‌های اجتماعی-جمعیت‌شناختی، و اثرات محله‌ای بر انتخاب نوع سوخت خودروی فعلی مصرف‌کنندگان و علاقه آنها به خرید یا اجاره یک AFV را بررسی کردند. آنها براساس یافته های خود نتیجه گیری کردند که طیف وسیعی از عوامل اجتماعی-دموگرافیک، از جمله سن، نژاد، جنسیت، وضعیت دانشجویی، سطح تحصیلات، سطح درآمد، اندازه خانوار، محل تصدی مسکن، نوع مسکن و پارکینگ مسکونی نیز تأثیرگذار است. قرار گرفتن در معرض BEVs هم در محل مسکونی و هم در محل کار تأثیر مثبتی بر پذیرش AFV دارد، اگرچه ایستگاه های شارژ عمومی EV فاکتورهای اساسی نیستند زیرا پاسخ دهندگان ما ممکن است عمدتاً به شارژرهای خانگی متکی باشند. علاوه بر این، این مطالعه نشان می‌دهد که تجربه کاربری فعلی افراد با AFV تأثیر مثبتی بر علاقه آینده آنها به AFV دارد. به طور کلی، ما پیش‌بینی می‌کنیم که حداکثر نفوذ AFV در بازار می‌تواند ۴۱ درصد از جمعیت بزرگسال باشد. این یافته ها راهنمایی دقیقی را در مورد ایجاد سیاست حمل و نقل کالیفرنیا برای ترویج AFV، با توجه به ناهمگونی ترجیحات و نگرش های جمعیت ارائه می دهد.

شمس امیری و همکاران (۲۰۲۰) در مطالعه خود با عنوان رویکردهای یادگیری ماشین برای پیش‌بینی مصرف انرژی حمل و نقل خانگی، چهار تکنیک مدل‌سازی را برای پیش‌بینی مصرف انرژی حمل‌ونقل خانگی با کاوش درخت‌های تصمیم، جنگل‌های تصادفی و شبکه‌های عصبی علاوه بر تحلیل‌های منظم‌سازی خالص الاستیک ارائه می‌کند. هدف اصلی این مطالعه ارزیابی تأثیر این مدل‌های آماری پیشرفته برای یک ماژول حمل‌ونقل (TM) بود که در ابزار تحلیل متابولیسم شهری یکپارچه (IUMAT)، یک پلت فرم محاسباتی مبتنی بر سیستم برای ارزیابی پایداری شهری است. مدل تقاضای سفر کمیسیون برنامه ریزی منطقه ای دره دلاور (DVRPC) برای تخمین مصرف انرژی حمل و نقل خانگی بر اساس تولید تقاضای سفر خانگی، حالت سفر، نوع سوخت، مسافت و مدت زمان استفاده شد. آنها در این تحقیق از داده های سفر خانواده (HTS) و مناطق تجزیه و تحلیل ترافیک (TAZ) که از پایگاه داده DVRPC استخراج شده است برای آموزش مدل استفاده کردند. نتایج مطالعه امیری و همکاران نشان داد که الگوریتم‌های یادگیری ماشین، به لطف توانایی‌شان در تطبیق با غیرخطی بودن، دقت قابل‌توجهی بالاتری در پیش‌بینی تقاضای حمل‌ونقل خانگی دارند. ما نشان می‌دهیم که مدل شبکه عصبی (NN) از مدل درخت تصمیم بهتر عمل می‌کند و تقاضای انرژی حمل‌ونقل را پیش‌بینی می‌کند که منجر به میانگین مربعات خطای کمتر و R2 بالاتر می‌شود. با استفاده از تجزیه و تحلیل جنگل تصادفی برای آزمایش تأثیر متغیر فردی، ما همچنین نشان می‌دهیم که تعداد سفرهای موتوری خانوارها و مسافت سفر مهم‌ترین پیش‌بینی‌کننده‌های مصرف انرژی حمل‌ونقل خانگی هستند. (Amiri et al., 2020)

هدف این پژوهش مدلسازی و تحلیل استفاده از وسایل نقلیه سوخت جایگزین () در ایالات متحده با داده های نظرسنجی ملی مسافرت خانوار ۲۰۱۷ است. به همین منظور با استفاده از الگوریتم های یادگیری ماشین اقدام به مدلسازی وضعیت موجود مالکیت و استفاده از وسایل نقلیه معمولی (CVs) و وسایل نقلیه سوخت جایگزین (‏AFV ها)‏، وسایل نقلیه الکتریکی هیبریدی (‏HEV ها)‏، وسایل نقلیه الکتریکی هیبریدی شارژ برقی (‏PHEV ها)‏ و وسایل نقلیه الکتریکی باتری (‏BEV ها)‏ در ایالات‌متحده نمودیم.

مطالعه درباره خودرو های برقی در جهان

بانک اطلاعاتی  NHTS مربوط به سال‏ ۲۰۱۷ توسط اداره بزرگراه فدرال، وزارت حمل و نقل ایالات‌متحده از آوریل ۲۰۱۶ تا آوریل ۲۰۱۷ برداشت و سنجش شد.  در این بانک اطلعاتی داده‌هایی از حدود ۱۳۰۰۰۰ خانوار و ۲۷۵۰۰۰ نفر در ایالات‌متحده جمع‌آوری شد. هر خانوار شرکت‌کننده تمامی سفره‌ای اعضای خانواده را در یک “روز سفر” ۲۴ ساعته گزارش کرد. آن‌ها برای تمام ۷ روز هفته، از جمله تمام تعطیلات، روزه‌ای سفر را تعیین کردند. این اطلاعات شامل انواع خودرو و نوسع سوخت مصرفی آنها در طول سال اندازه گیری شده است. ​ بررسی ملی سفر با وسایل نقلیه NHTS‏یک بررسی ملی دوره‌ای است که در ایالات‌متحده برای کمک به برنامه ریزان و سیاست گذاران حمل و نقل که نیاز به داده‌های جامع در مورد سفر و … دارند، انجام می‌شود. داده های NHTS منبع معتبر در مورد رفتار مسافرتی مردم آمریکا است. این تنها منبع داده های ملی است که به فرد امکان می دهد روند سفرهای شخصی و خانگی را تجزیه و تحلیل کند. این شامل سفرهای غیرتجاری روزانه با همه حالت ها، از جمله ویژگی های افراد در حال سفر، خانواده و وسایل نقلیه آنها می شود (راهنمای کاربران برای استفاده از داده های NHTS، سال ۲۰۲۲ ).

یادگیری ماشین چیست؟

یادگیری ماشینی موضوعی از هوش مصنوعی است که در آن می‌توان الگوریتم‌هایی را برای آموزش یک ماشین خاص برای انجام یک کار ایجاد کرد. داشتن یک مجموعه داده ضروری است و از روی آن داده ها، همبستگی بین آنها، کشف الگوها و به کارگیری الگوریتم هایی که امکان جمع آوری داده های ورودی را فراهم می کند و بر اساس الگوهای معینی خروجی ها را تولید می کند، ضروری است. هر ورودی در این مجموعه داده ویژگی های خاص خود را دارد و مدل هایی تولید می کند که می توانند برای یک کار خاص تعمیم داده شوند. ایده یادگیری ماشین ها به تنهایی از حجم وسیعی از داده ها ممکن است تعریف ساده شده یادگیری ماشین باشد. به طور کلی، یادگیری ماشین حوزه‌ای از هوش مصنوعی است که هدف آن بررسی ساختارهای الگوریتم‌هایی است که درک مستقل را ممکن می‌سازد، جایی که امکان تشخیص و استخراج الگوها از حجم زیادی از داده‌ها را ایجاد می‌کند و در نتیجه مدلی از یادگیری ایجاد می‌کند (Franca et al., 2021).

یادگیری ماشین رشته‌ای از علوم کامپیوتر است که الگوریتم‌هایی را بررسی می‌کند که منطق آنها را می‌توان به‌جای برنامه‌ریزی صریح، مستقیماً از داده‌ها آموخت. یادگیری ماشین در کارهای محاسباتی که طراحی الگوریتم‌های صریح غیرممکن است، بیشترین موفقیت را دارد، بیشتر به این دلیل که دانش در طراحی چنین الگوریتم‌های صریح ناکافی است. یادگیری ماشینی پایه و اساس تشخیص خودکار گفتار، بینایی کامپیوتری، پردازش زبان طبیعی و موتورهای جستجو است. سیستم‌های یادگیری ماشینی مرسوم به انسان‌هایی با تخصص در حوزه قابل‌توجه نیاز دارند تا ویژگی‌های معنی‌داری را برای تبدیل داده‌های خام (مانند پیکسل‌های یک تصویر یا سیگنال گفتار) به یک نمایش انتخاب‌شده تعریف کنند. از این نمایش، الگوریتم‌های یادگیری ماشین می‌توانند الگوهای مهمی را شناسایی کنند که می‌توانند برای آموزش منطق برنامه مورد استفاده قرار گیرند. در مقابل، یادگیری عمیق مجموعه‌ای از روش‌ها است که به سیستم یادگیری ماشینی اجازه می‌دهد تا به طور خودکار ویژگی‌های پیچیده مورد نیاز برای تشخیص را مستقیماً از داده‌های خام کشف کند. این حوزه از یادگیری ماشین به عنوان “عمیق” توصیف می شود، زیرا بر اساس ایده نمایش سلسله مراتبی و چند سطحی ویژگی است. ویژگی‌های سلسله مراتبی با ترکیب ماژول‌های غیرخطی ساده به دست می‌آیند که هر یک نمایشی را در یک سطح (شروع با ورودی خام) به سطحی بالاتر و کمی انتزاعی‌تر تبدیل می‌کنند. به عنوان مثال، در بینایی کامپیوتر، اولین لایه نمایش معمولاً لبه ها را در جهت ها و مکان های خاص در تصویر تشخیص می دهد. لایه دوم معمولاً با تشخیص الگوهای خاصی از لبه ها، بدون توجه به تغییرات کوچک در موقعیت لبه، به اصطلاح “نقوش” را تشخیص می دهد. لایه سوم این نقوش را در قسمت های بزرگتر مونتاژ می کند. چنین ساختارهای لایه ای، همانطور که در شکل ۱۶.۱ نشان داده شده است، اغلب به عنوان “شبکه های پیشخور” نامیده می شوند زیرا اطلاعات در این سیستم ها در یک جهت از یک لایه به لایه بعدی جریان می یابد. (Ginsburg, 2017)

یادگیری عمیق چیست؟

روش‌های یادگیری عمیق مبتنی بر شبکه‌های پیش‌خور می‌توانند ویژگی‌های بسیار پیچیده‌ای را بیاموزند که در مقایسه با ویژگی‌هایی که به صورت دستی توسط انسان مهندسی شده‌اند، به نتایج تشخیص الگوی دقیق‌تری دست پیدا کنند. با این حال، این روش مستلزم آن است که اطلاعات کافی در دسترس باشد تا به سیستم اجازه دهد به طور خودکار تعداد کافی از الگوهای مرتبط را کشف کند. یکی از انواع روش های یادگیری عمیق مبتنی بر نوع خاصی از شبکه پیشخور به نام ConvNet است. آموزش این روش‌ها آسان‌تر است و می‌توان آن را بسیار بهتر از سایر روش‌ها تعمیم داد. در این زمینه ، ConvNet در اواخر دهه ۱۹۸۰ اختراع شد. در اوایل دهه ۱۹۹۰، ConvNet با موفقیت در تشخیص خودکار گفتار، تشخیص نوری کاراکتر، تشخیص دست خط و تشخیص چهره به کار گرفته شد. با این حال، جریان اصلی بینایی کامپیوتر و تشخیص خودکار گفتار تا اواخر دهه ۱۹۹۰ بر اساس ویژگی‌های به دقت مهندسی شده بود. مقدار داده‌های برچسب‌گذاری‌شده برای یک سیستم یادگیری عمیق برای رقابت با توابع شناسایی/طبقه‌بندی که توسط متخصصان انسانی ساخته شده‌اند، کافی نبود. تصور رایج این بود که از نظر محاسباتی ساخت خودکار استخراج کننده های ویژگی سلسله مراتبی که دارای لایه های کافی برای عملکرد بهتر از استخراج کننده های ویژگی خاص برنامه های کاربردی تعریف شده توسط انسان هستند، غیرممکن است. علاقه به شبکه‌های پیش‌خور عمیق در حدود سال ۲۰۰۶ توسط گروهی از محققین احیا شد که روش‌های یادگیری بدون نظارت را معرفی کردند که می‌توانست آشکارسازهای ویژگی چندلایه سلسله مراتبی را بدون نیاز به داده‌های برچسب‌دار ایجاد کند. اولین کاربرد عمده این رویکرد در تشخیص گفتار بود. این پیشرفت توسط پردازنده‌های گرافیکی امکان‌پذیر شد که به محققان این امکان را می‌داد تا شبکه‌ها را ۱۰ برابر سریع‌تر از CPU‌های سنتی آموزش دهند. این پیشرفت، همراه با حجم عظیمی از داده های رسانه ای موجود به صورت آنلاین، موقعیت رویکردهای یادگیری عمیق را به شدت ارتقا داد. با وجود موفقیت در گفتار، ConvNets تا سال ۲۰۱۲ تا حد زیادی در زمینه بینایی کامپیوتر نادیده گرفته شد. در سال ۲۰۱۲، گروهی از محققان دانشگاه تورنتو یک ConvNet بزرگ و عمیق را آموزش دادند تا ۱۰۰۰ کلاس مختلف را در مسابقه تشخیص تصویری در مقیاس بزرگ ImageNet طبقه بندی کند. این شبکه طبق استانداردهای آن زمان بسیار بزرگ بود: تقریباً ۶۰ میلیون پارامتر و ۶۵۰۰۰۰ نورون داشت. بر روی ۱.۲ میلیون تصویر با وضوح بالا از پایگاه داده ImageNet آموزش داده شد. این شبکه تنها در یک هفته بر روی دو پردازنده گرافیکی، با استفاده از کتابخانه بسیار کارآمد cuda-convnet که توسط Alex Krizhevsky نوشته شده است، آموزش داده شد. این شبکه با خطای آزمون برتر ۵ برنده ۱۵.۳٪ به نتایج موفقیت آمیز دست یافت. در مقایسه، تیم دومی که از الگوریتم‌های بینایی رایانه سنتی استفاده می‌کرد، به نرخ خطای ۲۶.۲ درصدی دست یافت. این موفقیت باعث انقلابی در بینایی کامپیوتر شد و ConvNet به یک ابزار اصلی در بینایی کامپیوتر، پردازش زبان طبیعی، یادگیری تقویتی و بسیاری دیگر از حوزه‌های یادگیری ماشین سنتی تبدیل شد (Ginsburg, 2017).

آمارهای استفاده از انواع خودروهای برقی در ایالت های امریکا

نتایج تحلیل جداول و بانک اطلاعات انواع خودروهای خانوارهای ایالت های امریکا نشان دهنده سهم بیشتر ایالت های شهری شده است. ایالت هایی که سهم خانوار شهری بیشتری دارند سهم بالاتری از خودروهای سوخت جایگزین را دارا هستند. درصدها نشان می دهد سوخت نوع HEV نسبت به دو نوع دیگر سهم بالاتری را در خودورهای دارد. همچنین سوخ PHEV در حال افزایش در تمام ایالت ها است.

تعداد خودرو برقی در ایالت های امریکا

تعداد خودروهای برقی در ایالت های مختلف امریکا با انواع سوخت جایگزین

جدول ۱: تعداد خودروها با انواع سوخت های مختلف در ایالت های امریکا

سهم ایالت های مختلف در استفاده از خودرو برقی

طبق جدول فوق می توان بیان داشت که در ایالت آلاسکا امریکا حدود ۹۱.۸۶ درصد از خودروها از سوخت HEV و حدود۷.۵۲ درصد از سوخت PHEV و حدود ۰.۶۳ درصد از سوخت BEV استفاده می کنند.  در ایالت  آلاباما حدود ۹۵.۲۵ درصد از خودروها از سوخت HEV و حدود۳.۲۷ درصد از سوخت PHEV و حدود ۱.۳۴ درصد از سوخت BEV استفاده می کنند.  در آرکانزاس امریکا حدود ۹۴.۸۵ درصد از خودروها از سوخت HEV و حدود۳.۴۳ درصد از سوخت PHEV و حدود ۱.۴۷ درصد از سوخت BEV استفاده می کنند.  در ایالت  ویسکانسین امریکا حدود ۹۵.۵ درصد از خودروها از سوخت HEV و حدود۲.۵۴ درصد از سوخت PHEV و حدود ۱.۷۷ درصد از سوخت BEV استفاده می کنند.  در ویرجینیای غربی امریکا حدود ۹۶.۴۶ درصد از خودروها از سوخت HEV و حدود۱.۴۲ درصد از سوخت PHEV و حدود ۱.۴۲ درصد از سوخت BEV استفاده می کنند.  در وایومینگ حدود ۹۰.۳۱ درصد از خودروها از سوخت HEV و حدود۸.۳۷ درصد از سوخت PHEV و حدود ۱.۰۳ درصد از سوخت BEV استفاده می کنند. 

شکل ۱: توزیع استفاده از خودروهای سوخت جایگزین در ایالت ها

جدول ۲: درصد و سهم سوخت های مختلف در ایالات مختلف امریکا

جدول ۳: تعداد و میزان خودروهای برقی در مناطق شهری و برون شهری

نتایج مدلسازی یادگیری ماشین برای داده های خودروهای سوخت جایگزین در مناطق شهری و برون شهری نشان دهنده روند رو به افزایش استفاده از این خودروها در مناطق شهری است. تفاوتی در سهم خودروها در ایالت های شمالی و جنوبی مشاهده نمی شود. یافته ها نشان می دهد که فرایند جایگزین شدن خودروها از مناطق شهری به سمت مناطق روستایی و بین شهری در حال افزایش است. هرچند مناطق شهری سهم بیشتری از خودروهای سوخت جایگزین را دارا هتسند، اما نتایج نشان می دهد مناطق روستایی (Rural) نسبت به مناطق شهری (Urban) بطور فزاینده و با نرخ سریع تری در حال استقبال از خودروهای سوخت جایگزین در وسایل نقلیه سنگین هستند.

نتیجه گیری

با توجه به تحلیل نتایج مدلسازی یادگیری ماشین از داده های استفاده از سوخت جایگزین در ایالت های امریکا، می توان نتیجه گیری کرد که مناطق شهری نسبت به مناطق روستایی بطور گسترده تری از خودروهای سوخت جایگزین استفاده می کنند. سوخت جایگزین در ایالاتهای مختلف روند مکانی معنی داری ندارد. استفاده از خودروهایی با انواع سوخت جایگزین در ایالات هایی که سهم خانوارهای شهری بیشتری دارند سهم بالاتری دارد.

منابع

1. Bhanu Prakash Sandaka, Jitendra Kumar, (2023), Alternative vehicular fuels for environmental decarbonization: A critical review of challenges in using electricity, hydrogen, and biofuels as a sustainable vehicular fuel,Chemical Engineering Journal Advances,Volume 14,100442,https://doi.org/10.1016/j.ceja.2022.100442.
2. Boris Ginsburg,Morgan Kaufmann, (2017)Chapter 16 – Application case study machine learning, Editor(s): David B. Kirk, Wen-mei W. Hwu,Programming Massively Parallel Processors (Third Edition), ,ISBN 9780128119860,
3. Donna L. Mohr, William J. Wilson, Rudolf J. Freund, (2022) Academic Press,Chapter 7 – Linear Regression,Editor(s): Donna L. Mohr, William J. Wilson, Rudolf J. Freund,Statistical Methods (Fourth Edition), ,ISBN 9780128230435,
4. Emmanuel Kofi Adanu, William Agyemang, Abhay Lidbe, Offei Adarkwa, Steven Jones, (2023), An in-depth analysis of head-on crash severity and fatalities in Ghana,Heliyon,Volume 9, Issue 8,e18937,https://doi.org/10.1016/j.heliyon.2023.e18937.
5. Layla Mohammed, Eva Niesten, Dimitri Gagliardi, (2020), Adoption of alternative fuel vehicle fleets, A theoretical framework of barriers and enablers,Transportation Research Part D: Transport and Environment,Volume 88,102558,https://doi.org/10.1016/j.trd.2020.102558.
6. Pengfei Liu, Wei Fan, ()2020, Exploring injury severity in head-on crashes using latent class clustering analysis and mixed logit model: A case study of North Carolina,Accident Analysis & Prevention,Volume 135,105388,https://doi.org/10.1016/j.aap.2019.105388.
7. Peter G. Martin, Jeff R. Crandall, Walter D. Pilkey, (2000), Injury trends of passenger car drivers in frontal crashes in the USA,Accident Analysis & Prevention,Volume 32, Issue 4,Pages 541-557,https://doi.org/10.1016/S0001-4575(99)00076-7.
8. Reinaldo Padilha Franأ§a, Ana Carolina Borges Monteiro, Rangel Arthur, Yuzo Iano, () Trends in Deep Learning Methodologies,Chapter 3 – An overview of deep learning in big data, image, and signal processing in the modern digital age,Editor(s): Vincenzo Piuri, Sandeep Raj, Angelo Genovese, Rajshree Srivastava,In Hybrid Computational Intelligence for Pattern Analysis,Academic Press,Pages 63-87,
9. Shakil Ahmed, Md Akbar Hossain, Sayan Kumar Ray, Md Mafijul Islam Bhuiyan, Saifur Rahman Sabuj, (2023), A study on road accident prediction and contributing factors using explainable machine learning models: analysis and performance,Transportation Research Interdisciplinary Perspectives,Volume 19,100814,https://doi.org/10.1016/j.trip.2023.100814.
10. Shideh Shams Amiri, Nariman Mostafavi, Earl Rusty Lee, Simi Hoque, (2020), Machine learning approaches for predicting household transportation energy use,City and Environment Interactions,Volume 7,100044,https://doi.org/10.1016/j.cacint.2020.100044.
11. Xiatian Iogansen, Kailai Wang, David Bunch, Grant Matson, Giovanni Circella, (2023), Deciphering the factors associated with adoption of alternative fuel vehicles in California: An investigation of latent attitudes, socio-demographics, and neighborhood effects,Transportation Research Part A: Policy and Practice,Volume 168,103535,https://doi.org/10.1016/j.tra.2022.10.012.
12. Xinkai Wu, Xiaozheng He, Jason Cao, (2020), Advances in alternative fuel vehicles,Transportation Research Part D: Transport and Environment,Volume 85,102408,https://doi.org/10.1016/j.trd.2020.102408.