Посочи която и да е точка на картата и Pulse ще ти каже какво търсене на бързо зареждане би имала. Не мъгляво “добро” или “лошо”, а реално число: прогнозни kWh на charging bay на ден, разбити по месеци и обясними чак до отделните входни фактори, които движат резултата.

Моделът работи в три етапа, които се умножават един по друг.

Етап 1 — База на търсенето

Параметричен модел оценява колко търсене на бързо зареждане съществува по принцип за дадена държава и месец. Той отчита три неща:

Температура — студеното време увеличава разхода на енергия на km и прави тревожността за пробега по-осезаема. Един януари в Норвегия генерира приблизително 70% повече търсене на бързо зареждане на BEV спрямо юли в Норвегия.
Дял на BEV автопарка — повече електромобили на пътя означават повече charging sessions. Моделът използва логаритмично скалирано проникване на BEV по държава и година.
Базово ниво по държава — културата на шофиране, гъстотата на магистралите и навиците за зареждане се различават структурно между държавите. Собственик на BEV в Норвегия използва публичното бързо зареждане различно от такъв във Финландия, дори при еднаква температура и дял на автопарка.

Базата на търсенето е обучена върху наблюдавани данни за използване на ниво станция. Тя отговаря на въпроса: как изглежда “нормалното” в тази държава, през този месец? Изходът е число в kWh на EVSE на ден — обикновено между 40 и 120, според пазара и сезона.

Етап 2 — Локационен скор

Базата на търсенето ти казва какво става на пазара. Локационният скор ти казва какво става на точно това място. Това е machine learning модел (gradient-boosted trees), който оценява 20 пространствени характеристики в няколко категории:

Трафик — композитен трафик скор, изведен от държавни данни за AADT (annual average daily traffic), претеглени по близост и тип на пътя. Включва и дял на магистрален трафик, както и максимален AADT на път. Това е най-силният предиктор.
Конкуренция — съществуващи DC fast chargers в радиус 5 km, 10 km и 25 km, плюс разстоянието до най-близкия конкурент. Повече конкуренция означава, че всяка станция улавя по-малък дял от преминаващото търсене.
Точки на интерес — бензиностанции, храна, паркинги и други удобства в радиус 1 km и 5 km. Включва и retail POI подкатегории: молове, fast food вериги, търговски вериги и гъстота на retail обекти. Това са проксита за поток от хора, dwell time и типа локация, която привлича шофьори.
Достъпност — разстояние до най-близката бензиностанция, обект за храна и който и да е POI. Локациите близо до съществуваща инфраструктура за шофьори наследяват този трафик.

Моделът е обучен върху над 33,934 station-months наблюдавана употреба на зареждане в 4,083 станции. Той научава коя комбинация от пространствени характеристики предсказва висока или ниска utilisation — и после прилага това към всяка нова точка.

В зони с плътни конкурентни данни работи пълният модел с 20 характеристики. В зони с оскъдни данни за конкуренцията (нови пазари, селски райони) поема отделен базов модел, който използва само трафик и POI характеристики. Двата се смесват чрез sigmoid функция, обвързана с локалната конкурентна плътност — така моделът деградира плавно, вместо да халюцинира в региони с малко данни.

Изходът е едно число: локационният скор. То действа като мултипликатор върху базата на търсенето. Скор 3.0 означава, че тази локация би привлякла три пъти базовото ниво за съответната държава/месец. Скор 0.5 означава половината.

Етап 3 — Корекция за оператор

Локационният скор умишлено е operator-blind — той измерва терена, а не кой стои върху него. Но когато се прави прогноза за търсенето за конкретен проект, влиза трети фактор: CPO execution factor. Той коригира според това колко добре даден оператор превръща потенциала на локацията в реални sessions (виж “Какво е CPO execution score?” по-долу). Стойността по подразбиране е 1.0, тоест изпълнение по plan case.

Веригата на умножение

Крайната оценка на търсенето е просто:

                                kWh / EVSE / day  =  база на търсенето  ×  локационен скор  ×  CPO factor
                            

Пример: обект в Норвегия през януари, с локационен скор 1.5 и изпълнение по plan case:

База на търсенето (Норвегия, януари, −5°C, 25% BEV)	81 kWh/EVSE/day
Локационен скор	× 1.50
CPO execution factor	× 1.00
Прогнозирано търсене	122 kWh/EVSE/day

Същата локация през юли (15°C) би имала по-ниска база на търсенето (~52 kWh), което дава 78 kWh/EVSE/day — сезонен спад от 38%, което съвпада с наблюдаваното в реалните данни.

Защо скоровете се различават между пазарите

Локационният скор използва една глобална скала. Скор 2.5 означава едно и също навсякъде: 2.5× локалната база на търсенето. Но тъй като пространствените характеристики, които движат скора (гъстота на трафика, конкуренция, покритие с POI), варират силно между държавите, разпределението на скоровете се различава по пазари.

Медианната станция в Норвегия е около 1.0. В Германия е около 2.5. Нидерландия е близо до 3.0. Това не е дефект — това е сигналът. Плътни пазари с висок трафик и много удобства дават по-високи скорове, защото тези характеристики реално предсказват повече търсене. 1.5 в Норвегия е над средното за Норвегия; същият скор в Нидерландия би бил под средното. И двете са верни.

Обяснимост

Всеки скор идва с пълна SHAP (SHapley Additive exPlanations) разбивка, която показва точно кои характеристики са вдигнали или свалили скора и с колко. Можеш да видиш, че дадена локация има висок скор защото най-близкият път има 18,000 AADT и има бензиностанция в рамките на 200 метра — не просто че скорът е висок. Това има значение, когато вземаш инвестиционни решения: искаш да знаеш защо, не само какво.

Всеки компонент на engine-а има собствен deep dive: моделът на търсенето, локационният скор и CPO execution score.

Възстановяване на акаунт