Using large scale GPS data to reveal EV driver activity patterns beyond charging sessions

Resumen Técnico: Uso de datos de GPS a gran escala para revelar patrones de actividad de conductores de VE más allá de las sesiones de carga

Planteamiento del problema
Los conocimientos precisos sobre el comportamiento de los conductores de vehículos eléctricos (VE) son fundamentales para la planificación de la infraestructura a largo plazo, la gestión de la red eléctrica y la comprensión de los impactos económicos. Sin embargo, los datos a nivel individual sobre la movilidad de los VE siguen siendo escasos. Las investigaciones existentes dependen en gran medida de encuestas, estudios de campo o datos de sesiones a nivel de estación. Las encuestas y el trabajo de campo sufren de altos costos, muestras pequeñas y una baja escalabilidad longitudinal. Por el contrario, los datos a nivel de estación ofrecen escala pero carecen de contexto conductual; capturan la duración y la energía de un evento de conexión, pero permanecen "ciegos" a los movimientos del conductor antes, durante y después de la sesión. Esta limitación impide que los investigadores comprendan cómo los conductores de VE integran la carga en sus patrones de actividad diaria o cómo interactúan con los servicios urbanos circundantes. Además, a medida que la adopción de los VE se expande más allá de los primeros adoptantes, el comportamiento de los conductores se está volviendo más heterogéneo, lo que hace que los indicadores simples como los ingresos o las millas recorridas por vehículo (VMT) sean menos efectivos para predecir la propiedad.

Metodología
Los autores proponen un marco escalable para inferir la propiedad de VE y el comportamiento de carga utilizando trazas de movilidad pasiva de alta resolución de más de 760,000 individuos anonimizados en cuatro áreas metropolitanas importantes de EE. UU. (Bahía de San Francisco, Seattle, Boston y Denver) durante un período de tres meses en 2022. La fuente de datos es Cuebiq, una empresa de inteligencia de ubicación que proporciona pings de GPS a nivel de dispositivo que cumplen con la privacidad y "paradas" inferidas algorítmicamente.

La metodología procede en tres etapas principales:

1. Detección de eventos:

   • Sesiones de carga de VE: A diferencia de las visitas a gasolineras que se capturan mediante "paradas", la carga de VE a menudo implica que los conductores abandonan sus vehículos inmediatamente. Por lo tanto, los autores detectan posibles sesiones de carga utilizando pings de GPS a nivel de dispositivo. Una sesión se define por: (1) al menos dos observaciones dentro de 10 metros de una estación de carga de VE (EVCS), (2) separadas por al menos 10 minutos, (3) con al menos una observación que registre una velocidad inferior a 10 km/h, y (4) el movimiento intermedio confinado dentro de 1 km de la estación a velocidades inferiores a 20 km/h.
   • Visitas a gasolineras: Identificadas mediante el conjunto de datos de "paradas", definidas como una parada dentro de 15 metros de una gasolinera con una duración entre 2 y 15 minutos.

2. Modelo de identificación de conductores de VE:

   • El umbral simple (etiquetar a cualquiera con una sesión de carga detectada como conductor de VE) conduce a una sobreestimación significativa debido a la incertidencia del GPS y el estacionamiento incidental cerca de los cargadores.
   • Para abordar esto, los autores construyeron un modelo lineal agrupado en las cuatro ciudades utilizando características longitudinales durante el período de tres meses. Los predictores clave incluyen: la relación entre las EVCS y las visitas a gasolineras, el número de EVCS únicas visitadas, el VMT diario promedio y la proporción de viviendas multifamiliares en el sector censal del usuario.
   • El modelo se entrena para predecir las tasas de propiedad de VE a nivel de código postal (usando los datos de registro oficiales como verdad de terreno) en lugar de etiquetas individuales, mitigando el riesgo de que el modelo se convierta en un indicador de la riqueza del vecindario.
   • Las probabilidades de propiedad individual resultantes se calibran contra las tasas de propiedad de VE metropolitanas conocidas (ajustadas a la baja en un 26.9% para contabilizar a los conductores que nunca utilizan la carga pública de Nivel 2), lo que resulta en una cohorte final de 19,228 conductores de VE inferidos.

3. Análisis conductual:

   • Visitas a Puntos de Interés (POI): Los autores analizan las "paradas" dentro de 200 metros de una EVCS durante las sesiones de carga para determinar si los conductores visitan los puntos de interés cercanos. Los POI se categorizan en ocho grupos (por ejemplo, restaurantes, cafeterías, gimnasios, comercio minorista).
   • Agrupación de viajes (Trip Bundling): El estudio compara el comportamiento de los conductores de VE en "días de carga" frente a "días sin carga" y frente a la población general, analizando métricas como la frecuencia de visitas a POI, la duración de la parada, el tiempo entre paradas y el radio de giroación.

Resultados clave

• Validación de la cohorte: La cohorte de VE inferida coincide estrechamente con los datos de registro oficiales a nivel de código postal, logrando una correlación de Pearson de 0.73. Esto supera significativamente a un modelo heurístico (correlación 0.40) y a un modelo base que utiliza solo VMT e ingresos (correlación 0.55).
• Validación conductual: La cohorte inferida exhibe rasgos conductuales distintos consistentes con referencias independientes (datos de EV Watts) y encuestas:
  • Los conductores de VE tienen un VMT diario un 26% menor que los conductores de motores de combustión interna (ICE).
  • La duración de las sesiones de carga y los patrones temporales (por ejemplo, el pico de uso de L2 a media mañana) se alinean con los datos de EV Watts y los hallazgos de las encuestas.
  • Los perfiles demográficos (mayores ingresos, menor pobreza, tipos de vivienda específicos) coinciden con los parámetros socioeconómicos establecidos para la adopción de VE.
• Efectos de desbordamiento económico: Durante las sesiones de carga, los conductores de VE exhiben tasas de visita sistemáticamente más altas a las cafeterías y restaurantes cercanos en comparación con los no conductores de VE y la población general. Aproximadamente el 18–24% de las sesiones de carga implican una visita a un POI; las cafeterías muestran el mayor aumento relativo en la probabilidad de visita.
• Comportamiento de agrupación de viajes: En los días en que los conductores de VE cargan, visitan más POI en menos tiempo y distancia en comparación con los días sin carga. Exhiben intervalos más cortos entre paradas y un radio de giroación más pequeño, lo que sugiere que la carga induce un comportamiento de "agrupación de viajes" o "día de recados", donde la carga se integra con otras actividades planificadas.

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco escalable y con base conductual para identificar conductores de VE sin depender de encuestas costosas o datos limitados por la infraestructura. Al ir más allá de la "caja negra" de los datos de registro agregados, el estudio permite una comprensión granular del comportamiento del conductor de VE tanto "con el enchufe puesto" como "fuera del enchufe".

Los autores aseguran que estos hallazgos ofrecen una base para:

1. Optimizar el despliegue de infraestructura: Comprender que los conductores de VE visitan frecuentemente servicios específicos (como cafeterías) mientras cargan sugiere que la co-ubicación de estaciones de carga con servicios urbanos complementarios puede apoyar a los negocios locales y capturar desbordamientos económicos.
2. Gestión y planificación de la red: La capacidad de reconstruir los eventos de carga y los patrones de actividad asociados proporciona un contexto más rico para la dinámica de la demanda y la gestión de la red.
3. Planificación equitativa: El método permite el análisis de los usuarios de la carga pública específicamente, ayudando a identificar quién utiliza la infraestructura pública y facilitando la colocación equitativa de las estaciones de carga, particularmente para poblaciones (como los residentes de viviendas multifamiliares) que carecen de acceso a la carga privada.

El estudio enfatiza que estos patrones no son observables en los datos convencionales de sesiones de carga, que carecen del contexto conductual de la rutina diaria del conductor. El modelo propuesto se generaliza bien en diversas ciudades, ofreciendo una herramienta transferible para los paisajes de transporte cada vez más electrificados.