商业实体影响下氢燃料电池加氢站选址的机器学习量化研究——基于中国案例的多源数据融合分析

（编辑推荐）本研究创新性地将机器学习（RF算法）与商业实体数据（POI）结合，构建氢燃料电池加氢站（HRS）选址智能决策系统，量化揭示了餐饮、零售等商业集群对站点吸引力的空间作用机制，为清洁能源基础设施规划提供了可推广的高分辨率分析范式。

　　

亮点

本研究通过机器学习技术揭示了商业实体对氢燃料电池加氢站（HRS）选址的潜在影响机制，为清洁能源基础设施的智能化布局提供了创新视角。

文献综述

本部分系统梳理了现有氢能基础设施选址研究的理论框架与方法论，深入解析HRS选址的复杂性。

材料与方法

开发基于随机森林（RF）算法的智能决策支持系统，通过多源数据融合（包括现场调研与商业POI数据）优化HRS选址流程。

结果

训练结果通过可视化图表展示，RF模型在交叉验证中表现出卓越的稳定性与泛化能力，特征重要性分析显示餐饮服务（权重23.7%）、汽车维修（18.4%）等商业实体对选址决策具有显著影响。

讨论

商业集群通过延长用户停留时间提升站点吸引力，这种"加油+零售"的协同效应在传统加油站中已有实证（美国79%加油站配套便利店），本研究首次在氢能领域量化该机制。模型在电动汽车充电站选址的迁移实验中也保持85%以上准确率，证实方法的普适性。

结论

提出的机器学习框架不仅解决了HRS选址中商业因素量化难题，其模块化设计还可扩展应用于其他清洁能源设施（如混合能源枢纽）的智能规划。

作者贡献声明

Hui Fang：研究设计、算法开发、论文撰写；Ping Ma：数据采集、可视化分析；XiaoLei Wang：商业数据建模；NaiRong Tan：项目管理；Tao Ma：理论指导。

利益冲突声明

作者声明不存在可能影响本研究客观性的财务或个人关系。

致谢

感谢Editage提供的英文润色服务。

基金支持

国家社会科学基金（23&ZD040）、中央高校基本科研业务费（HIT.OCEF.2024045）、国家自然科学基金（71974046、71950001）资助。