Zastosowanie nowych miar podobieństwa przy wyborze lokalizacji stacji ładowania pojazdów elektrycznych na podstawie q‑rung orthopair hesitant fuzzy rough sets przy danych ilościowych

Dlaczego wybór „najlepszej” opcji jest taki trudny

Współczesne życie pełne jest złożonych wyborów: gdzie zbudować stacje ładowania pojazdów elektrycznych, które dzielnice miasta cierpią najbardziej z powodu zanieczyszczenia powietrza, a nawet która diagnoza medyczna najlepiej pasuje do objawów pacjenta. We wszystkich tych przypadkach informacje są nieuporządkowane, niepewne, a czasem wręcz sprzeczne. Artykuł przedstawia nowe narzędzia matematyczne, które pomagają komputerom bardziej wiarygodnie porównywać takie rozmyte informacje, a następnie pokazuje, jak te narzędzia mogą kierować rzeczywistymi decyzjami dotyczącymi stacji ładowania i jakości powietrza.

Porównywanie rzeczy, które nie są czarno‑białe

Wiele decyzji zależy od tego, jak podobne są dwie sytuacje. Lekarz może porównać objawy pacjenta z typowymi wzorcami choroby, a urbanista może porównać potencjalne miejsca z „idealną” lokalizacją dla nowej ładowarki. Klasyczne miary podobieństwa zakładają, że dane są czyste i precyzyjne. W rzeczywistości eksperci często się wahają: miejsce może być „od przeciętnego do dobrego” pod względem dostępu do ruchu, albo dane o zanieczyszczeniu mogą być niepełne. W ostatnich dekadach badacze logiki rozmytej opracowali sposoby reprezentowania tej niepewności, pozwalające, by coś było częściowo w kategorii i częściowo poza nią. Artykuł opiera się na jednym z najbardziej elastycznych podejść — ramach, które pozwalają ekspertom wyrazić nie tylko jak bardzo coś należy do zbioru, ale też jak bardzo nie należy, a nawet jak bardzo są niepewni.

Nowy sposób mierzenia podobieństwa

Autorzy koncentrują się na popularnym narzędziu podobieństwa zwanym podobieństwem cosinusowym, które traktuje dwa zestawy danych jak wektory i mierzy kąt między nimi. Mały kąt oznacza, że wektory wskazują prawie w tym samym kierunku, więc dwa przypadki są bardzo podobne. Jednak standardowe podobieństwo cosinusowe zawodzi, gdy dane zawierają wahanie i wiele możliwych wartości dla każdego kryterium, jak często ma to miejsce w ocenach eksperckich. Aby to naprawić, artykuł definiuje dwie ulepszone miary — cosinusową i ważoną cosinusową — dostosowane do rozbudowanej ramy rozmytej zwanej q‑rung orthopair hesitant fuzzy rough sets. W prostych słowach ramy te pozwalają każdej opcji mieć zbiory możliwych stopni „tak” i „nie” dla każdego kryterium, przy jednoczesnym zapewnieniu, że opis pozostaje logicznie spójny. Nowe wzory przekształcają te złożone opisy w stabilne, sensowne wyniki podobieństwa o wartościach od 0 do 1.

Zastosowanie metody do stacji ładowania

Aby pokazać, że podejście nie jest tylko abstrakcyjną teorią, badacze rozwiązują pilny problem planistyczny: gdzie umieścić stacje ładowania pojazdów elektrycznych. Rozważają trzy kandydackie lokalizacje i trzy kluczowe czynniki: wygodę dostępu drogowego, koszty budowy oraz to, jak dobrze stacja może obsłużyć kierowców. Eksperci opisują każdą lokalizację przy użyciu wahań ocen w ramach tej rozmytej struktury i określają również, jak wyglądałaby lokalizacja idealna. Nowe miary cosinusowe i ważone cosinusowe porównują każdą rzeczywistą lokalizację z ideałem. Obie wersje metody zgadzają się co do rankingu: jedna lokalizacja wyraźnie wychodzi najbliżej celu. Ta spójność ma znaczenie — sugeruje, że metoda jest odporna, nawet gdy czynniki otrzymują różne wagi.

Sprawdzanie jakości powietrza w mieście przy użyciu danych rozmytych

Drugie zastosowanie dotyczy jakości powietrza w różnych regionach. Wejściowe dane obejmują tu aktywności ludzkie, takie jak ruch drogowy i palenie, a także zmierzone zanieczyszczenia jak dwutlenek siarki, tlenki azotu, tlenek węgla i ozon. Ponieważ takie dane mogą być niekompletne lub niespójne, jakość powietrza każdego regionu wyrażono ponownie przy użyciu wartości hesitant fuzzy zamiast pojedynczej ostrej liczby. Nowe miary podobieństwa porównują każdy region z idealnym profilem czystego powietrza, a wyniki sortują regiony pod względem lepszej lub gorszej jakości powietrza w sposób zgodny z praktycznymi oczekiwaniami. Pokazuje to, że te same narzędzia radzą sobie zarówno z monitorowaniem środowiska, jak i planowaniem infrastruktury.

Testy w porównaniu ze starszymi metodami

Ponadto autorzy zestawiają swoje miary z wieloma istniejącymi wzorami podobieństwa na problemach testowych, w tym w diagnozie medycznej i rozpoznawaniu wzorców. Kilka starszych metod albo nie potrafi rozróżnić różnych wzorców, albo zachowuje się dziwnie — na przykład twierdzi, że podobieństwo jest doskonałe, gdy dwa wzorce wyraźnie nie są identyczne. Nowe miary oparte na cosinusie, w przeciwieństwie do tego, spełniają podstawowe wymagania logiczne, unikają pułapek numerycznych i poprawnie identyfikują najbliższe dopasowanie w tych testach. To zwiększa zaufanie, że narzędzia nie są dopasowane do jednego zastosowania, lecz są ogólnie niezawodne.

Co to wszystko oznacza dla rzeczywistych decyzji

Dla osób niebędących specjalistami żargon techniczny ukrywa prosty przekaz: gdy informacje są niepewne, a eksperci się nie zgadzają lub wahają, nadal musimy podejmować decyzje. Artykuł oferuje bardziej staranny sposób porównywania takich niejasnych danych, przekształcając nieostre opinie i hałaśliwe pomiary w spójne rankingi opcji. Niezależnie od tego, czy zadaniem jest lokalizacja nowej stacji ładowania, ocena, czy powietrze w mieście jest bezpieczne, czy wspieranie lekarzy przy złożonych diagnozach, te ulepszone miary podobieństwa obiecują decyzje bardziej przejrzyste i mniej podatne na dziwne matematyczne anomalia. W miarę jak powstaną narzędzia obliczeniowe oparte na tych rozwiązaniach, planiści i analitycy otrzymają nowe, ostrzejsze narzędzie do analizowania problemów, w których prawda nie jest tylko tak lub nie, lecz gdzie znajduje się gdzieś pomiędzy.

Cytowanie: 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

Słowa kluczowe: ładowanie pojazdów elektrycznych, podejmowanie decyzji, logika rozmyta, jakość powietrza, miary podobieństwa