Δείξε οποιοδήποτε σημείο στον χάρτη και το Pulse θα σου πει πόση ζήτηση για ταχεία φόρτιση θα έβλεπε εκεί. Όχι ένα αόριστο “καλό” ή “κακό” — πραγματικό νούμερο: εκτιμώμενα kWh ανά charging bay ανά ημέρα, αναλυμένα ανά μήνα και εξηγήσιμα μέχρι και στα επιμέρους input features που οδήγησαν στο αποτέλεσμα.

Το μοντέλο δουλεύει σε τρία στάδια που πολλαπλασιάζονται μεταξύ τους.

Στάδιο 1 — Βάση ζήτησης

Ένα παραμετρικό μοντέλο εκτιμά πόση ζήτηση για ταχεία φόρτιση υπάρχει γενικά για μια δεδομένη χώρα και έναν δεδομένο μήνα. Λαμβάνει υπόψη τρία πράγματα:

Θερμοκρασία — το κρύο αυξάνει την κατανάλωση ενέργειας ανά km και κάνει το range anxiety πιο έντονο. Ένας Ιανουάριος στη Νορβηγία παράγει περίπου 70% περισσότερη ζήτηση για ταχεία φόρτιση ανά BEV από έναν Ιούλιο στη Νορβηγία.
Μερίδιο στόλου BEV — όσο περισσότερα ηλεκτρικά αυτοκίνητα κυκλοφορούν, τόσο περισσότερα charging sessions γίνονται. Το μοντέλο χρησιμοποιεί λογαριθμικά κλιμακωμένη διείσδυση BEV ανά χώρα και έτος.
Εθνική γραμμή βάσης — η οδηγική κουλτούρα, η πυκνότητα αυτοκινητοδρόμων και οι συνήθειες φόρτισης διαφέρουν δομικά από χώρα σε χώρα. Ένας ιδιοκτήτης BEV στη Νορβηγία χρησιμοποιεί τη δημόσια ταχεία φόρτιση διαφορετικά από έναν στη Φινλανδία, ακόμη και στην ίδια θερμοκρασία και με το ίδιο μερίδιο στόλου.

Η βάση ζήτησης εκπαιδεύεται πάνω σε παρατηρημένα δεδομένα χρήσης σε επίπεδο σταθμού. Απαντά στο ερώτημα: πώς μοιάζει το “φυσιολογικό” σε αυτή τη χώρα, αυτόν τον μήνα; Το output είναι ένας αριθμός σε kWh ανά EVSE ανά ημέρα — συνήθως μεταξύ 40 και 120, ανάλογα με την αγορά και την εποχή.

Στάδιο 2 — Score τοποθεσίας

Η βάση ζήτησης σου λέει για την αγορά. Το score τοποθεσίας σου λέει για αυτό ακριβώς το σημείο. Είναι ένα μοντέλο machine learning (gradient-boosted trees) που αξιολογεί 20 χωρικά χαρακτηριστικά σε αρκετές κατηγορίες:

Κυκλοφορία — σύνθετο traffic score που προκύπτει από κρατικά δεδομένα AADT (annual average daily traffic), σταθμισμένα με βάση την εγγύτητα και τον τύπο του δρόμου. Περιλαμβάνει επίσης το ποσοστό κυκλοφορίας αυτοκινητοδρόμου και το μέγιστο road AADT. Αυτός είναι ο ισχυρότερος predictor.
Ανταγωνισμός — υφιστάμενοι DC fast chargers σε ακτίνα 5 km, 10 km και 25 km, συν την απόσταση από τον κοντινότερο ανταγωνιστή. Όσο περισσότερος ο ανταγωνισμός, τόσο μικρότερο μερίδιο της διερχόμενης ζήτησης πιάνει κάθε σταθμός.
Σημεία ενδιαφέροντος — πρατήρια καυσίμων, φαγητό, parking και άλλες παροχές σε ακτίνα 1 km και 5 km. Περιλαμβάνει και υποκατηγορίες retail POI: malls, επώνυμα fast food, αλυσίδες καταστημάτων και πυκνότητα λιανικής. Αυτά λειτουργούν ως proxies για footfall, dwell time και για το είδος τοποθεσίας που τραβά οδηγούς.
Προσβασιμότητα — απόσταση από το κοντινότερο πρατήριο καυσίμων, σημείο φαγητού και οποιοδήποτε POI. Τοποθεσίες κοντά σε υπάρχουσα υποδομή οδηγών κληρονομούν αυτή την κίνηση.

Το μοντέλο έχει εκπαιδευτεί σε πάνω από 33,934 station-months παρατηρημένης χρήσης φόρτισης σε 4,083 σταθμούς. Μαθαίνει ποιος συνδυασμός χωρικών χαρακτηριστικών προβλέπει υψηλή ή χαμηλή αξιοποίηση — και μετά το εφαρμόζει σε κάθε νέο σημείο.

Σε περιοχές με πυκνά ανταγωνιστικά δεδομένα, τρέχει το πλήρες μοντέλο 20 χαρακτηριστικών. Σε περιοχές με αραιά δεδομένα ανταγωνισμού (νέες αγορές, αγροτικές ζώνες), αναλαμβάνει ένα ξεχωριστό baseline model που χρησιμοποιεί μόνο traffic και POI features. Τα δύο γίνονται blend με sigmoid function που βασίζεται στην τοπική πυκνότητα ανταγωνισμού — έτσι το μοντέλο υποβαθμίζεται ομαλά αντί να παραισθάνεται σε περιοχές με λίγα δεδομένα.

Το output είναι ένας μόνο αριθμός: το score τοποθεσίας. Λειτουργεί ως πολλαπλασιαστής πάνω στη βάση ζήτησης. Score 3.0 σημαίνει ότι αυτή η τοποθεσία θα προσέλκυε τριπλάσια ζήτηση από τη γραμμή βάσης χώρας/μήνα. Score 0.5 σημαίνει τη μισή.

Στάδιο 3 — Προσαρμογή operator

Το score τοποθεσίας είναι σκόπιμα operator-blind — μετρά το οικόπεδο, όχι ποιος στέκεται πάνω του. Αλλά όταν παράγεται πρόβλεψη ζήτησης για ένα συγκεκριμένο project, μπαίνει ένας τρίτος παράγοντας: ο συντελεστής εκτέλεσης CPO. Αυτός προσαρμόζει το πόσο καλά ένας συγκεκριμένος operator μετατρέπει το δυναμικό της τοποθεσίας σε πραγματικά sessions (δες παρακάτω το “Τι είναι το CPO execution score;”). Η προεπιλογή είναι 1.0, δηλαδή plan-case execution.

Η αλυσίδα πολλαπλασιασμού

Η τελική εκτίμηση ζήτησης είναι απλά:

                                kWh / EVSE / day  =  βάση ζήτησης  ×  score τοποθεσίας  ×  συντελεστής CPO
                            

Ένα παράδειγμα: μια τοποθεσία στη Νορβηγία, τον Ιανουάριο, με score τοποθεσίας 1.5 και plan-case execution:

Βάση ζήτησης (Νορβηγία, Ιαν, −5°C, 25% BEV)	81 kWh/EVSE/day
Score τοποθεσίας	× 1.50
Συντελεστής εκτέλεσης CPO	× 1.00
Προβλεπόμενη ζήτηση	122 kWh/EVSE/day

Η ίδια τοποθεσία τον Ιούλιο (15°C) θα είχε χαμηλότερη βάση ζήτησης (~52 kWh), άρα 78 kWh/EVSE/day — εποχική πτώση 38%, κάτι που ταιριάζει με όσα βλέπουμε στα πραγματικά δεδομένα.

Γιατί τα scores διαφέρουν ανά αγορά

Το score τοποθεσίας χρησιμοποιεί μία ενιαία παγκόσμια κλίμακα. Score 2.5 σημαίνει το ίδιο παντού: 2.5× τη τοπική βάση ζήτησης. Αλλά επειδή τα χωρικά χαρακτηριστικά που το οδηγούν (πυκνότητα κυκλοφορίας, ανταγωνισμός, κάλυψη POI) διαφέρουν τεράστια μεταξύ χωρών, η κατανομή των scores διαφέρει ανά αγορά.

Η διάμεση τιμή σταθμού στη Νορβηγία είναι γύρω στο 1.0. Στη Γερμανία γύρω στο 2.5. Η Ολλανδία κάθεται κοντά στο 3.0. Αυτό δεν είναι πρόβλημα — είναι το σήμα. Πυκνές αγορές με υψηλή κυκλοφορία και πολλές παροχές βγάζουν υψηλότερα scores επειδή αυτά τα χαρακτηριστικά όντως προβλέπουν περισσότερη ζήτηση. Ένα 1.5 στη Νορβηγία είναι πάνω από τον μέσο όρο για τη Νορβηγία· το ίδιο score στην Ολλανδία θα ήταν κάτω από τον μέσο όρο. Και τα δύο είναι σωστά.

Ερμηνευσιμότητα

Κάθε score συνοδεύεται από πλήρη ανάλυση SHAP (SHapley Additive exPlanations) που δείχνει ακριβώς ποια χαρακτηριστικά έσπρωξαν το score προς τα πάνω ή προς τα κάτω, και κατά πόσο. Μπορείς να δεις ότι μια συγκεκριμένη τοποθεσία σκοράρει ψηλά επειδή έχει 18,000 AADT στον κοντινότερο δρόμο και πρατήριο καυσίμων σε απόσταση 200 μέτρων — όχι απλώς ότι σκοράρει ψηλά. Αυτό μετράει όταν παίρνεις επενδυτικές αποφάσεις: θέλεις να ξέρεις το γιατί, όχι μόνο το τι.

Κάθε κομμάτι του engine έχει το δικό του deep-dive: το μοντέλο ζήτησης, το score τοποθεσίας και το CPO execution score.

Ανάκτηση λογαριασμού