技術要約：EV充電データのためのNote–Chord–Voiceフレームワーク

1. 問題提起

本論文は、現実世界の電気自動車（EV）充電データにおける信頼性の高い因果推論を妨げる、相互に関連する3つの病理的課題を取り上げている。

1. ハードウェアの断片化（Hardware Fragmentation）: ネットワークのタイムアウト、グリッドの変動、および課金リセットにより、連続した充電セッションが切断された「マイクロセッション」に分割され、セッション数が膨れ上がり、ベースラインの分布を歪めている。
2. 物理的違反（Physical Violations）: 標準的な運用モデルは、供給エネルギー（$E$）と接続時間（$\Delta t$）を独立したものとして扱うことが多く、物理的に不可能な予測（例：7 kWの充電器で10分間に50 kWhが供給されると予測するなど）を生成してしまう。
3. 合流バイアス（Collider Bias）: 従来の因果推論手法は、事後的な処理結果（例：総エネルギー量や継続時間）に基づいてユーザーをクラスタリングすることが多い。これらの結果は処置（価格割引）の影響を受けるため、得られたクラスターは合流点（Collider）として機能し、バックドア経路を開いてしまい、価格弾力性の推定値を系統的にバイアスさせる。

これらの問題は、「分析的なデッドロック（closed analytic deadlock）」を生み出している。なぜなら、一つの欠陥を独立して修正しようとしても、解決策が相互に依存しているため、数学的に実行不可能だからである。

2. メソドロジー：Note–Chord–Voice (NCV) フレームワーク

著者らは、データのクリーニング、構造的パターンの発見、ソース分離、および因果推論を、明確に検証可能な段階へと分離する、音楽に着想を得た公理駆動型のパイプラインを提案している。

2.1. トポロジカル・オントロジー

本フレームワークは、音楽的概念をEVデータにマッピングする：

• Note（音符）: 物理的に検証された、原子レベルの充電トランザクション。
• Repair Chord（修復コード）: 断片化したセッションを再構成するオペレーター。
• Harmonic Chord（和音）: 残差時系列データにおける繰り返される局所的なパターン。
• Voice（声部）: 独立した潜在的な行動ストリーム。
• Measure（小節）: 階層的な時間的ベースライン（日次、週次）。
• Movement（楽章）：ステーション負荷におけるマクロレベルのレジームシフト。

2.2. コア・コンポーネント

1. 公理的検証ゲート（Axiomatic Falsification Gates）: 複雑なモデリングの前に、パイプラインは厳格なテスト（A1–A5, G3, G10）を実行する。もし公理が失敗した場合（例：週次周期性の欠如）、フレームワークはエラーを伝播させるのではなく、仮定を制限することで優雅に機能を縮小（graceful degradation）させる。
2. Repair Chord Contraction（修復コードによる収縮）: 最小記述長（MDL）を用いて、短いギャップ（$\le 2$ 分）によって隔てられた隣接するNoteを結合する。結合は、MDLの変化が正である場合にのみ行われ、真の断片化と個別のセッションを区別する。
3. Harmonic Chord Discovery（和音の発見）: 残差時系列データ（トレンド除去後）に対してマトリックス・プロファイル（Matrix Profile）を適用し、繰り返されるモチーフを特定する。
4. ソース分離（NMF）:
   • $\Gamma$-初期化を使用：STL分解によって抽出された季節プロファイルを、非負値行列因子分解（NMF）の基底を初期化するためにクラスタリングし、物理的に意味のある開始点を確保する。
   • ステーションごとの時間別エネルギー行列を、ステーション責任行列（$W$）とボイスの時間的基底（$H$）に分解する。
   • Per-Voice OLS（ボイスごとの最小二乗法）: 単体共線性（simplex collinearity、$\sum r_{ik} = 1$）を避けるため、統合された相互作用モデルではなく、各ボイスに対して独立した最小二乗法（OLS）回帰を適合させる。
5. 因果的デカップリング（Causal Decoupling）:
   • インストルメントの隔離（Instrument Isolation）: プロモーション・クーポンをグレード（A/B/C/D）分けする。グレードA（汎用的、プラットフォーム全体）は、ユーザーのタイミングの好みとは直交する準ランダムな操作変数（instrument）として機能する。
   • 安定性分類（Stability Classification）: ボイスを、Stable（処置の包含によって行動プロファイルが変化しない）またはTreatment-driven（処置によってプロファイルがシフトする）に分類する。因果関係の主張は、Stableなボイスのみに限定される。
6. Movement Detection（楽章の検出）: 日次の負荷行列に対するFoote novelty curveを用いて、構造的なレジームシフト（例：ステーション利用パターンの急激な変化）を検出する。

3. 実験設定

• データセット: 中国、広東省、江門市（2024年7月 – 2025年3月）。
• 規模: 20箇所の公共ステーションにおける495,707件の充電セッション（7 kW AC、30–120 kW DC、および超急速充電器の混合）。
• ベースライン: ステーション平均負荷予測、および制約のない時間のみの線形モデルと比較。

4. 主な結果

• 公理の検証:
  • A1 (Physical Manifold): 99.97%のセッションが物理的な電力制限を遵守しており、違反はわずか0.03%であった。
  • A2 (Fragmentation): 断片化の証拠は、(0, 2] 分間のギャップの範囲に厳密に集中している。ギャップが0の連続したセッションは断片化ではない。
  • G3 (Periodicity): 168時間の（週次）サイクルがスペクトルランクテスト（ランク $\ge 7$）に失敗したことは、週末と平日の差異が弱いことを示している。フレームワークは、日次サイクルのみに限定することで優雅に機能を縮小させた。
• ソース分離:
  • NMFは $R^2 = 0.9921$ を達成した（ベースラインの0.8475に対し）。
  • 5つの潜在的なボイスが特定された（$K=5$）。
  • ボイス分類: ボイス0、2、3はStableであり、ボイス1と4はTreatment-drivenであった。
• 継続時間モデリング: 物理的に制約されたモデル（CC-CV充電の物理学を組み込んだもの）は、集計 $R^2 = 0.5409$ を達成し、制約のない時間のみのベースラインを大幅に上回った。
• 因果推論:
  • ボイス3（Stable、週中日の夕方のピーク）は、有意な価格感受性を示した（$\beta = -14.16$ 分、$p < 0.001$）。
  • ボイス1は価格に敏感であるが、Treatment-drivenであったため、記述的分析への利用に限定される。
  • その他のボイスは価格に無感であった。
• 収益シミュレーション: 価格に敏感なボイス（ボイス1および3）に対して割引を対象化することで、割引支出の52.8%（年間約0.85百万人民元）を回収できた。単一のStableなボイス（ボイス3）のみに限定した場合、より保守的な推定値となる。

5. 意義と主張

本論文は、NCVフレームワークが、透明性が高く、再現可能で、公理によって検証されたIoTデータ分析のアプローチを提供すると主張している。その主な意義は以下の通りである：

1. 分析的デッドロックの打破: データクリーニング、ソース分離、および因果推論を分離することで、上流のデータクリーニングが下流の構造的バイアスによって汚染されるのを防ぐ。
2. 因果的厳密性: 事後的な処理結果ではなく、処置前の集計プロファイルに基づく潜在的な行動次元を定義することで、合流バイアスに明示的に対処する。
3. 優雅な機能縮小（Graceful Degradation）: 仮定（週次周期性など）が違反された場合でも、フレームワークは破綻することなく、データの現実に合わせてモデリングの複雑さを軽減する。
4. 実行可能な洞察: 有効な因果関係の主張をサポートする、価格感受性の高いユーザー層（ボイス1および3）を特定することに成功し、ターゲットを絞った政策介入による収益回収を可能にした。

著者らは、特定のデータセットにおける週次サイクルの弱さ、継続時間モデルの適合度（$R^2=0.54$）の限界、およびTreatment-drivenなボイスの存在といった限界を認めた上で、因果関係の主張は特定されたStableなコンポーネントに厳格に限定されることを強調している。