Tillämpning av nya likhetsmått vid val av plats för laddstationer för elfordon baserat på q-rung ortopar-hesiterande fuzzy rough sets under kvantitativ information

Varför det är så svårt att välja det ”bästa” alternativet

Det moderna livet är fullt av svåra val: var ska laddstationer för elfordon byggas, vilka stadsdelar har mest problem med luftföroreningar, eller vilken medicinsk diagnos matchar bäst en patients symtom. I alla dessa fall är informationen rörig, osäker och ibland till och med motsägelsefull. Denna artikel introducerar nya matematiska verktyg som hjälper datorer att jämföra sådan fuzzy information mer tillförlitligt, och visar sedan hur dessa verktyg kan vägleda verkliga beslut om laddstationer och luftkvalitet.

Att jämföra saker som inte är svart eller vitt

Många beslut hänger på hur lika två situationer är. En läkare kan jämföra en patients symtom med typiska mönster för en sjukdom, eller en stadsplanerare kan jämföra potentiella platser med en ”ideallokal” för en ny laddare. Klassiska likhetsmått antar att data är rena och precisa. I verkligheten tvekar experter ofta: en plats kan vara ”mellanliggande till bra” vad gäller trafiktillgänglighet, eller föroreningsdata kan vara ofullständiga. Under de senaste decennierna har forskare inom fuzzy-logik utvecklat sätt att representera denna osäkerhet, vilket tillåter att något är delvis inne i och delvis ute ur en kategori. Denna artikel bygger vidare på en av de mest flexibla av dessa idéer, ett ramverk som låter experter uttrycka inte bara hur starkt något hör till en grupp, utan också hur starkt det inte hör till, och till och med hur osäkra de är.

Ett nytt sätt att mäta likhet

Författarna fokuserar på ett populärt likhetsverktyg kallat cosinuslikhet, som behandlar två datamängder som pilar och mäter vinkeln mellan dem. En liten vinkel betyder att pilarna pekar nästan i samma riktning, så de två fallen är mycket lika. Standard cosinuslikhet fallerar dock när data innehåller tvekande bedömningar och flera möjliga värden för varje kriterium, som ofta sker i expertrön. För att åtgärda detta definierar artikeln två förbättrade mått—cosinus- och viktad cosinuslikhet—anpassade till ett rikt fuzzy-ramverk kallat q-rung ortopar-hesiterande fuzzy rough sets. I enkla termer tillåter detta ramverk att varje alternativ bär samlingar av möjliga ”ja”- och ”nej”-grader för varje kriterium, samtidigt som det säkerställer att den övergripande beskrivningen förblir logiskt konsistent. De nya formlerna omvandlar dessa komplexa beskrivningar till stabila, meningsfulla likhetspoäng mellan 0 och 1.

Tillämpning på laddstationer

För att visa att tillvägagångssättet inte bara är abstrakt matematik tar forskarna itu med ett angeläget planeringsproblem: var man ska placera laddstationer för elfordon. De betraktar tre kandidatplatser och tre nyckelfaktorer: hur bekvämt trafikåtkomsten är, hur mycket det skulle kosta att bygga, och hur väl stationen skulle kunna betjäna förare. Experter beskriver varje plats med hesiterande, graderade omdömen inom detta fuzzy-ramverk, och anger också hur en ideal plats skulle se ut. De nya cosinus- och viktade cosinusmåtten jämför sedan varje verklig plats med idealet. Båda versionerna av metoden är överens om rangordningen: en plats framträder tydligt som närmast målet. Denna konsistens är viktig—den tyder på att metoden är robust, även när faktorer tilldelas olika vikter.

Kontroll av stadsair med fuzzy data

Den andra demonstrationen undersöker luftkvaliteten över olika regioner. Här ingår mänskliga aktiviteter som trafik och rökning samt uppmätta föroreningar som svaveldioxid, kväveoxider, kolmonoxid och ozon. Eftersom sådana data kan vara ofullständiga eller inkonsistenta uttrycks varje regions luftkvalitet återigen med hesiterande fuzzy-värden snarare än ett enda exakt tal. De nya likhetsmåtten jämför varje region med en idealisk profil för ren luft, och resultaten sorterar regionerna i bättre eller sämre luftkvalitet på ett sätt som stämmer med praktiska förväntningar. Detta visar att samma verktyg kan hantera miljöövervakning lika väl som infrastrukturplanering.

Testning mot äldre metoder

Utöver dessa två fallstudier ställer författarna sina mått mot många befintliga likhetsformler på standardproblem, inklusive medicinsk diagnostik och mönsterigenkänning. Flera äldre metoder misslyckas antingen med att skilja mellan olika mönster eller beter sig märkligt—till exempel genom att påstå perfekt likhet när två mönster uppenbarligen inte är identiska. De nya cosinusbaserade måtten, däremot, uppfyller grundläggande logiska krav, undviker numeriska fallgropar och identifierar korrekt den närmaste matchningen i dessa tester. Detta ger ytterligare förtroende för att verktygen inte är anpassade till en enskild tillämpning utan är allmänt pålitliga.

Vad det betyder för verkliga beslut

För icke-specialister döljer den tekniska jargongen ett enkelt budskap: när information är osäker och experter är oense eller tvekar, måste vi ändå fatta beslut. Denna artikel erbjuder ett noggrannare sätt att jämföra sådan grumlig data, och omvandlar vaga åsikter och brusiga mätningar till konsekventa rangordningar av alternativ. Oavsett om uppgiften är att placera en ny laddstation, bedöma om en stads luft är säker, eller stödja läkare med komplexa diagnoser, lovar dessa förbättrade likhetsmått beslut som är mer transparenta och mindre benägna att drabbas av konstiga matematiska egenheter. När datorverktyg baserade på detta arbete utvecklas kan planerare och analytiker få en ny, vassare lins för att granska problem där sanningen inte bara är ja eller nej, utan någonstans mittemellan.

Citering: 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

Nyckelord: elbilsladdning, beslutsfattande, fuzzy-logik, luftkvalitet, likhetsmått