Applicazione di nuove misure di similarità nella selezione dei siti per stazioni di ricarica per veicoli elettrici basata su q-rung orthopair hesitant fuzzy rough set sotto informazioni quantitative

Perché scegliere l’opzione “migliore” è così difficile

La vita moderna è piena di scelte insidiose: dove costruire stazioni di ricarica per veicoli elettrici, quali quartieri cittadini soffrono maggiormente l’inquinamento atmosferico o persino quale diagnosi medica corrisponde meglio ai sintomi di un paziente. In tutti questi casi, le informazioni sono disordinate, incerte e talvolta persino contraddittorie. Questo articolo introduce nuovi strumenti matematici che aiutano i computer a confrontare informazioni fuzzy in modo più affidabile e poi mostra come tali strumenti possano orientare decisioni concrete sulla collocazione delle stazioni di ricarica e sulla qualità dell’aria.

Confrontare cose che non sono in bianco e nero

Molte decisioni dipendono da quanto due situazioni siano simili. Un medico può confrontare i sintomi di un paziente con i quadri tipici di una malattia, o un urbanista può paragonare siti potenziali con una posizione “ideale” per un nuovo punto di ricarica. Le misure di similarità classiche assumono che i dati siano ordinati e precisi. Nella realtà, gli esperti spesso esitano: un sito può essere “da discreto a buono” per l’accesso al traffico, o i dati sull’inquinamento possono essere incompleti. Negli ultimi decenni, i ricercatori della logica fuzzy hanno sviluppato modi per rappresentare questa incertezza, permettendo che qualcosa sia in parte dentro e in parte fuori da una categoria. Questo articolo si basa su una delle idee più flessibili di questo filone: un quadro che consente agli esperti di esprimere non solo quanto fortemente qualcosa appartiene a un gruppo, ma anche quanto fortemente non vi appartiene e persino quanto siano incerti.

Un nuovo modo di misurare la somiglianza

Gli autori si concentrano su uno strumento di similarità popolare chiamato similarità coseno, che tratta due insiemi di dati come vettori e misura l’angolo tra di essi. Un angolo piccolo significa che i vettori puntano quasi nella stessa direzione, quindi i due casi sono molto simili. Tuttavia, la similarità coseno standard fallisce quando i dati includono esitazione e valori multipli possibili per ogni criterio, come spesso accade nei giudizi di esperti. Per ovviare a questo, l’articolo definisce due misure migliorate—similarità coseno e similarità coseno pesata—adeguate a un ricco quadro fuzzy chiamato q-rung orthopair hesitant fuzzy rough set. In termini semplici, questo quadro permette a ogni opzione di avere raccolte di possibili gradi di “sì” e “no” per ogni criterio, garantendo al contempo che la descrizione complessiva rimanga logicamente coerente. Le nuove formule trasformano queste descrizioni complesse in punteggi di similarità stabili e significativi compresi tra 0 e 1.

Applicare il metodo alle stazioni di ricarica

Per dimostrare che l’approccio non è solo matematica astratta, i ricercatori affrontano un problema di pianificazione urgente: dove collocare le stazioni di ricarica per veicoli elettrici. Considerano tre siti candidati e tre fattori chiave: quanto è comodo l’accesso stradale, quanto costerebbe costruire e quanto bene la stazione potrebbe servire gli automobilisti. Gli esperti descrivono ogni sito usando opinioni esitanti e graduati all’interno di questo quadro fuzzy, e specificano anche come sarebbe un sito ideale. Le nuove misure coseno e coseno pesata confrontano quindi ogni sito reale con l’ideale. Entrambe le versioni del metodo concordano nella classifica: emerge chiaramente un sito come il più vicino all’obiettivo. Questa coerenza è importante—suggerisce che il metodo è robusto, anche quando i fattori ricevono pesi diversi.

Verificare la qualità dell’aria cittadina con dati fuzzy

La seconda dimostrazione esamina la qualità dell’aria in diverse regioni. Qui l’input include attività umane come il traffico e il fumo, oltre a inquinanti misurati come biossido di zolfo, ossidi di azoto, monossido di carbonio e ozono. Poiché tali dati possono essere incompleti o incoerenti, la qualità dell’aria di ogni regione è espressa nuovamente usando valori fuzzy esitanti anziché un singolo numero netto. Le nuove misure di similarità confrontano ogni regione con un profilo ideale di aria pulita e i risultati ordinano le regioni in base a qualità dell’aria migliore o peggiore in modo coerente con le aspettative pratiche. Questo mostra che gli stessi strumenti possono gestire sia il monitoraggio ambientale sia la pianificazione delle infrastrutture.

Confronto con metodi più vecchi

Oltre a questi due casi di studio, gli autori confrontano le loro misure con molte formule di similarità esistenti su problemi di riferimento, inclusa la diagnosi medica e il riconoscimento di pattern. Diversi metodi più vecchi o non riescono a distinguere tra pattern diversi o si comportano in modo anomalo—per esempio, dichiarando similarità perfetta quando due pattern sono chiaramente non identici. Le nuove misure basate sul coseno, al contrario, soddisfano requisiti logici di base, evitano insidie numeriche e identificano correttamente la corrispondenza più vicina in questi test. Ciò dà ulteriore fiducia che gli strumenti non siano tarati su una singola applicazione ma siano generalmente affidabili.

Cosa significa tutto questo per le decisioni reali

Per i non specialisti, lo jargon tecnico nasconde un messaggio semplice: quando le informazioni sono incerte e gli esperti divergono o esitano, dobbiamo comunque prendere decisioni. Questo articolo offre un modo più accurato per confrontare dati poco chiari, trasformando opinioni vaghe e misurazioni rumorose in classifiche coerenti delle opzioni. Che si tratti di scegliere il sito per una nuova stazione di ricarica, valutare se l’aria di una città è sicura o supportare i medici in diagnosi complesse, queste misure di similarità migliorate promettono decisioni più trasparenti e meno soggette a stranezze matematiche. Con lo sviluppo di strumenti informatici basati su questo lavoro, pianificatori e analisti potrebbero ottenere una lente nuova e più nitida per esaminare problemi in cui la verità non è solo sì o no, ma qualcosa nel mezzo.

Citazione: 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

Parole chiave: ricarica veicoli elettrici, supporto alle decisioni, logica fuzzy, qualità dell'aria, misure di similarità