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

技術要約：大規模GPSデータを用いた、充電セッションを超えたEVドライバーの活動パターンの解明

問題提起
電気自動車（EV）ドライバーの行動に関する正確な洞察は、長期的なインフラ計画、グリッド管理、および経済的影響の理解において極めて重要である。しかし、EVのモビリティに関する個人レベルのデータは依然として乏しい。既存の研究は、調査、フィールド研究、またはステーションレベルのセッションデータに依存している。調査やフィールドワークは、コストが高く、サンプルサイズが小さく、長期的なスケーラビリティに欠ける。一方、ステーションレベルのデータは規模の大きさは提供するものの、行動の文脈が欠落している。それはプラグインイベントの継続時間やエネルギー量は捉えるが、セッションの前、最中、および後のドライバーの動きについては「盲目」である。この制限により、研究者はEVドライバーがいかに日常の活動パターンの中に充電を組み込んでいるか、あるいは周囲の都市アメニティとどのように相互作用しているかを理解することができない。さらに、EVの普及が初期採用層を超えて拡大するにつれ、ドライバーの行動はより多様化しており、所得や走行距離（VMT）といった単純なプロキシ（代理指標）では所有率を予測する効果が低下している。

手法
著者らは、2022年の3か月間にわたって、米国の4つの主要都市圏（サンフランシスコ・ベイエリア、シアトル、ボストン、デンバー）における76万人以上の匿名化された個人の高解能な移動軌跡を用いて、EVの所有および充電行動を推論するためのスケーラブルなフレームワークを提案している。データソースは、プライバシーに配慮したデバイスレベルのGPSピンとアルゴリズムによって推論された「ストップ（停止）」を提供する位置情報インテリジェンス企業、Cuebiqである。

本手法は、主に以下の3つの段階で構成される：

1. イベント検出：

   • EV充電セッション： ガソリンスタンドへの訪問は「ストップ」データとして捕捉されるが、EV充電ではドライバーが車両を離れてすぐに立ち去ることが多いため、著者らはデバイスレベルのGPSピンを使用して潜在的な充電セッションを検出する。セッションは以下の条件で定義される：(1) EV充電ステーション（EVCS）の10メートル以内に少なくとも2つの観測値があること、(2) それらが少なくとも10分間隔であること、(3) 少なくとも1つの観測値で速度が10 km/h未満であること、(4) 中間の移動がステーションから1 km以内の速度20 km/h未満に限定されていること。
   • ガソリンスタンドへの訪問： ガソリンスタンドの15メートル以内で、継続時間が2分から15分の「ストップ」として定義される「ストップ」データセットを使用して特定される。

2. EVドライバー識別モデル：

   • 単純な閾値設定（充電セッションが検出された全員をEVドライバーとラベル付けすること）は、GPSの不確実性や充電器付近での偶発的な駐車により、大幅な過大評価を招く。
   • これに対処するため、著者らは3か月間の縦断的な特徴量を用いて、4つの都市全体で統合された線形モデルを構築した。主な予測因子には、EVCSとガソリンスタンド訪問の比率、訪問したユニークなEVCSの数、平均的な1日あたりの走行距離（VMT）、およびユーザーのセンサス・トラクト（国勢調査区）における集合住宅の割合が含まれる。
   • モデルは、モデルが近隣の富裕層のプロキシ（代理指標）になるリスクを軽減するため、個人のラベルではなく、郵便番号レベルのEV所有率（公式の登録データを正解データとして使用）を予測するように訓練されている。
   • 結果として得られた個人の所有確率は、既知の都市部のEV所有率（公共のレベル2充電を利用しないドライバーを考慮して26.9%下方修正したもの）に対して較正されており、最終的なコホートは19,228人の推論されたEVドライバーとなっている。

3. 行動分析：

   • POI（施設）訪問： 著者らは、充電セッション中のEVCSから200メートル以内の「ストップ」を分析し、ドライバーが近くのPOIを訪問しているかどうかを判断する。POIは8つのグループ（レストラン、カフェ、フィットネス、小売など）に分類される。
   • トリップ・バンブリング（移動の集約）： 著者らは、「充電日」と「非充電日」、および一般人口と比較して、EVドライバーの行動を分析し、POI訪問頻度、ストップの継続時間、ストップ間の時間、および回転半径（radius of gyration）を分析する。

主な結果

• コホートの検証： 推論されたEVコホートは、郵便番号レベルで公式の登録データと密接に一致しており、ピアソンの相関係数は0.73に達した。これは、ヒューリスティックなモデル（相関0.40）や、VMTと所得のみを用いたベースラインモデル（相関0.55）を大幅に上回っている。
• 行動の検証： 推論されたコホートは、独立したベンチマーク（EV Wattsデータ）や調査と一致する明確な行動特性を示している：
  • EVドライバーは、内燃機関（ICE）ドライバーよりも1日の走行距離（VMT）が26%少ない。
  • 充電セッションの継続時間と時間的パターン（例：午前中のピーク時のL2充電利用）は、EV Wattsのデータおよび調査結果と一致している。
  • 人口統計学的プロファイル（高所得、低貧困、特定の住宅形態）は、確立された社会経済的ベンチマークと一致している。
• 経済的波及効果： 充電セッション中、EVドライバーは非EVドライバーや一般人口と比較して、近くのカフェやレストランへの訪問率が系統的に高い。充電セッションの約18〜24%にPOI訪問が含まれており、特にカフェにおいて訪問確率の相対的な増加が最大であった。
• トリップ・バンブリング行動： 充電を行う日には、充電を行わない日に比べて、より短い時間と距離でより多くのPOIを訪問する。彼らはストップ間の間隔が短く、回転半径も小さくなっており、これは充電が「用事の日のための移動の集約」や「用事の日のための行動」を誘発していることを示唆している。

意義と主張
本論文は、コストのかかる調査やインフラに制限されたデータに依存することなく、EVドライバーを特定するための、スケーラブルで行動に基づいたフレームワークを提供すると主張している。集計された登録データの「ブラックボックス」を超えて、研究を行うことで、EVドライバーの行動を「プラグ・オン（充電中）」および「プラグ・オフ（充電外）」の両面から詳細に理解することを可能にする。

著者らは、これらの知見が以下の基盤を提供すると主張している：

1. インフラ配置の最適化： EVドライバーが充電中に特定の施設（カフェなど）を頻繁に訪れるという理解は、充電ステーションを補完的な都市アメニティと併設することで、地元のビジネスを支援し、経済的波及効果を捉えられることを示唆している。
2. グリッド管理と計画： 充電イベントとそれに伴う活動パターンを再構築する能力は、需要のダイナミクスとグリッド管理のためのより豊かなコンテキストを提供する。
3. 公平な計画： この手法は、公共充電の利用者（特に、プライベートな充電設備を持たない集合住宅居住者などの人々）を具体的に分析することを可能にし、より公平な充電ステーションの配置を促進する。

本研究は、これらのパターンが従来の充電セッションデータからは観察できないものであることを強調している。従来のデータには、ドライバーのより広範な日常ルーチンという行動的コンテキストが欠けているためである。提案されたモデルは、多様な都市間で汎用性が高く、電化が進む輸送環境における転用可能なツールを提供する。