Os veículos elétricos (VEs) ganharam atenção significativa nas últimas décadas devido aos seus benefícios ambientais. No entanto, sua adoção generalizada apresenta desafios devido à infraestrutura de carregamento limitada e longos tempos de carregamento, resultando frequentemente em estações de carga (ECs) subutilizadas e filas desnecessárias que complicam o planejamento de viagens. Portanto, selecionar a EC adequada é essencial para minimizar o tempo total de viagem dos VEs, pois depende tanto do tempo de condução quanto da duração de carga necessária. Esse processo de seleção requer a estimativa da energia necessária para alcançar cada EC candidata e, em seguida, continuar até o destino, enquanto também verifica se o nível da bateria do VE é suficiente para uma viagem direta. Para abordar essa lacuna, propomos uma plataforma integrada que aproveita dois modelos de aprendizado de máquina em conjunto: Bi-LSTM + XGBoost para prever o consumo de energia e FFNN + XGBoost para identificar a EC mais adequada, considerando a energia requerida, o tempo de espera na EC, a velocidade de carregamento e o tempo de condução com base em diferentes condições de tráfego. Essa integração forma a principal novidade do nosso sistema para otimizar a seleção da EC e minimizar a duração total da viagem. Essa abordagem foi validada com simulações do SUMO e dados do OpenStreetMap, demonstrando um erro absoluto médio (EAM) variando de 2,29 a 4,5 min, dependendo das condições de tráfego, superando abordagens convencionais que dependem de funções do SUMO e cálculos matemáticos, que geralmente resultaram em EAMs entre 5,1 e 10 min. Essas descobertas destacam a eficácia do sistema proposto em reduzir o tempo total de viagem, melhorar a utilização da infraestrutura de carregamento e aprimorar a experiência geral dos motoristas de VEs.
Al-Zuhairi et al. (Mon,) estudaram essa questão.