Посочи която и да е точка на картата и Pulse ще ти каже какво fast-charging търсене би имало там. Не мъгляво “добро” или “лошо” — а реално число: прогнозни kWh на charging bay на ден, разбити по месеци и обясними до отделните входни характеристики, които са довели до резултата.

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

Етап 1 — База на търсенето

Параметричен модел оценява колко fast-charging търсене съществува като цяло за дадена държава и месец. Той отчита три неща:

Температура — студеното време увеличава енергийното потребление на km и прави тревожността за пробега по-осезаема. Един януари в Норвегия генерира приблизително 70% повече fast-charging търсене на BEV от един юли в Норвегия.
Дял на BEV автопарка — повече електромобили на пътя означава повече charging сесии. 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 fast charging различно от такъв във Финландия, дори при еднаква температура и дял на автопарка.

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

Етап 2 — Оценка на локацията

Базата на търсенето ти казва нещо за пазара. Оценката на локацията ти казва нещо за точно това място. Това е machine learning модел (gradient-boosted trees), който оценява 20 пространствени характеристики в няколко категории:

Трафик — комбиниран traffic score, изведен от държавни AADT (annual average daily traffic) данни, претеглен по близост и тип на пътя. Включва и процент магистрален трафик, както и max road AADT. Това е най-силният предиктор.
Конкуренция — съществуващи DC fast charger-и 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, паркиране и други удобства в радиус 1 km и 5 km. Включва и retail POI подкатегории: молове, fast food вериги, верижни магазини и плътност на търговски обекти. Това са проксита за поток от хора, време на престой и типа локация, която привлича шофьори.
Достъпност — разстояние до най-близката бензиностанция, заведение за храна и който и да е POI. Локации близо до съществуваща инфраструктура за шофьори наследяват този трафик.

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

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

Резултатът е едно число: оценката на локацията. Тя действа като множител върху базата на търсенето. Оценка 3.0 означава, че тази локация би привлякла три пъти базовото ниво за съответната държава/месец. Оценка 0.5 означава половината.

Етап 3 — Корекция за оператор

Оценката на локацията умишлено е operator-blind — тя измерва терена, 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 сесии (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  ×  оценка на локацията  ×  CPO factor
                            

Пример: локация в Норвегия през януари, с оценка на локацията 1.5 и изпълнение по plan case:

База на търсенето (Норвегия, януари, −5°C, 25% BEV)	81 kWh/EVSE/day
Оценка на локацията	× 1.50
CPO execution factor	× 1.00
Прогнозно 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%, напълно в синхрон с това, което виждаме в реалните данни.

Защо оценките се различават между пазарите

Оценката на локацията използва една глобална скала. Оценка 2.5 означава едно и също навсякъде: 2.5× локалната база на търсенето. Но тъй като пространствените характеристики, които движат оценката (плътност на трафика, конкуренция, POI покритие), варират силно между държавите, разпределението на оценките 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 оценки, защото тези характеристики наистина предсказват повече търсене. 1.5 в Норвегия е над средното за Норвегия; същата оценка в Нидерландия би била под средното. И двете са верни.

Обяснимост

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

Забравена парола