Application de nouvelles mesures de similarité pour la sélection de sites de stations de recharge de véhicules électriques basée sur des q-rung orthopair hesitant fuzzy rough sets sous information quantitative

Pourquoi il est si difficile de choisir la « meilleure » option

La vie moderne est pleine de choix délicats : où installer des stations de recharge pour véhicules électriques, quels quartiers d’une ville souffrent le plus de la pollution atmosphérique, ou encore quel diagnostic médical correspond le mieux aux symptômes d’un patient. Dans tous ces cas, l’information est désordonnée, incertaine et parfois contradictoire. Cet article présente de nouveaux outils mathématiques qui aident les ordinateurs à comparer ces informations floues de manière plus fiable, puis montre comment ces outils peuvent orienter des choix concrets concernant les stations de recharge et la qualité de l’air.

Comparer des situations qui ne sont pas noires ou blanches

Beaucoup de décisions reposent sur la similarité entre deux situations. Un médecin peut comparer les symptômes d’un patient aux profils typiques d’une maladie, ou un urbaniste peut comparer des emplacements potentiels à un lieu « idéal » pour un nouveau chargeur. Les mesures de similarité classiques supposent que les données sont nettes et précises. En réalité, les experts hésitent souvent : un site peut être « passable à bon » en accès routier, ou les données sur la pollution peuvent être incomplètes. Au cours des dernières décennies, les chercheurs en logique floue ont développé des façons de représenter cette incertitude, permettant qu’une chose soit en partie dans et en partie hors d’une catégorie. Cet article s’appuie sur l’une des idées les plus flexibles de ce domaine, un cadre qui permet aux experts d’exprimer non seulement à quel point quelque chose appartient à un groupe, mais aussi à quel point il n’y appartient pas, et même à quel point ils en sont incertains.

Une nouvelle façon de mesurer la ressemblance

Les auteurs se concentrent sur un outil de similarité populaire appelé similarité cosinus, qui traite deux jeux de données comme des vecteurs et mesure l’angle entre eux. Un petit angle signifie que les vecteurs pointent presque dans la même direction, donc les deux cas sont très proches. Cependant, la similarité cosinus standard échoue lorsque les données incluent de l’hésitation et plusieurs valeurs possibles pour chaque critère, comme c’est souvent le cas dans les jugements d’experts. Pour remédier à cela, l’article définit deux mesures améliorées — similarité cosinus et similarité cosinus pondérée — adaptées à un cadre flou riche appelé q‑rung orthopair hesitant fuzzy rough sets. En termes simples, ce cadre permet à chaque option de porter des collections de degrés possibles de « oui » et de « non » pour chaque critère, tout en garantissant que la description globale reste logiquement cohérente. Les nouvelles formules transforment ces descriptions complexes en scores de similarité stables et significatifs entre 0 et 1.

Application de la méthode aux stations de recharge

Pour montrer que l’approche n’est pas que de la théorie, les chercheurs abordent un problème concret de planification : où implanter des stations de recharge pour véhicules électriques. Ils considèrent trois sites candidats et trois facteurs clés : la commodité de l’accès routier, le coût de construction et la capacité du site à servir les conducteurs. Les experts décrivent chaque site à l’aide d’opinions hésitantes et graduées dans ce cadre flou, et définissent également à quoi ressemblerait un site idéal. Les nouvelles mesures cosinus et cosinus pondérée comparent alors chaque site réel à l’idéal. Les deux versions de la méthode aboutissent au même classement : un site se détache clairement comme étant le plus proche de la cible. Cette cohérence est importante — elle suggère que la méthode est robuste, même lorsque les facteurs reçoivent des pondérations différentes.

Contrôler la qualité de l’air en ville avec des données floues

La deuxième démonstration examine la qualité de l’air dans différentes régions. Ici, les entrées incluent des activités humaines telles que le trafic et le tabagisme, ainsi que des polluants mesurés comme le dioxyde de soufre, les oxydes d’azote, le monoxyde de carbone et l’ozone. Parce que ces données peuvent être incomplètes ou incohérentes, la qualité de l’air de chaque région est à nouveau exprimée à l’aide de valeurs floues hésitantes plutôt que d’un seul nombre net. Les nouvelles mesures de similarité comparent chaque région à un profil d’air propre idéal, et les résultats classent les régions selon une qualité d’air meilleure ou pire d’une manière conforme aux attentes pratiques. Cela montre que les mêmes outils peuvent gérer la surveillance environnementale aussi bien que la planification d’infrastructures.

Test face aux méthodes plus anciennes

Au‑delà de ces deux études de cas, les auteurs confrontent leurs mesures à de nombreuses formules de similarité existantes sur des problèmes de référence, y compris le diagnostic médical et la reconnaissance de formes. Plusieurs méthodes plus anciennes échouent soit à distinguer différents profils soit se comportent de façon étrange — par exemple, en affirmant une similarité parfaite alors que deux profils ne sont clairement pas identiques. Les nouvelles mesures basées sur le cosinus, en revanche, satisfont aux exigences logiques de base, évitent les écueils numériques et identifient correctement la correspondance la plus proche dans ces tests. Cela renforce la confiance dans le fait que ces outils ne sont pas adaptés à une seule application mais sont généralement fiables.

Ce que cela signifie pour les décisions réelles

Pour les non‑spécialistes, le jargon technique masque un message simple : lorsque l’information est incertaine et que les experts hésitent ou divergent, nous devons quand même prendre des décisions. Cet article propose une manière plus rigoureuse de comparer ces données floues, transformant opinions vagues et mesures bruitées en classements cohérents d’options. Qu’il s’agisse d’implanter une nouvelle station de recharge, d’évaluer si l’air d’une ville est sain ou d’aider les médecins face à des diagnostics complexes, ces mesures de similarité améliorées promettent des décisions plus transparentes et moins sujettes à des bizarreries mathématiques. À mesure que des outils informatiques basés sur ce travail seront développés, urbanistes et analystes pourraient disposer d’un nouvel outil plus précis pour aborder des problèmes où la vérité n’est pas simplement oui ou non, mais quelque part entre les deux.

Citation: Attaullah, Khan, A., Boulaaras, S. et al. Application of novel similarity measures in electric vehicle charging station site selection based on q-rung orthopair hesitant fuzzy rough sets under quantitative information. Sci Rep 16, 9504 (2026). https://doi.org/10.1038/s41598-025-34665-1

Mots-clés: recharge de véhicules électriques, prise de décision, logique floue, qualité de l'air, mesures de similarité