Δείξε οποιοδήποτε σημείο στον χάρτη και το Pulse θα σου πει πόση ζήτηση fast-charging θα έβλεπε. 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 λειτουργεί σε τρία στάδια που πολλαπλασιάζονται μεταξύ τους.

Στάδιο 1 — Βάση ζήτησης

Ένα παραμετρικό μοντέλο εκτιμά πόση ζήτηση fast-charging υπάρχει γενικά για μια συγκεκριμένη χώρα και μήνα. Λαμβάνει υπόψη τρία πράγματα:

Θερμοκρασία — ο κρύος καιρός αυξάνει την κατανάλωση ενέργειας ανά km και κάνει το range anxiety πιο έντονο. Ένας νορβηγικός Ιανουάριος παράγει περίπου 70% περισσότερη ζήτηση fast-charging ανά BEV από έναν νορβηγικό Ιούλιο.
Μερίδιο στόλου BEV — περισσότερα ηλεκτρικά αυτοκίνητα στον δρόμο σημαίνουν περισσότερα charging sessions. Το μοντέλο χρησιμοποιεί λογαριθμικά κλιμακωμένη διείσδυση BEV ανά χώρα και έτος.
Baseline χώρας — η οδηγική κουλτούρα, η πυκνότητα αυτοκινητοδρόμων και οι συνήθειες φόρτισης διαφέρουν δομικά από χώρα σε χώρα. Ένας ιδιοκτήτης BEV στη Νορβηγία χρησιμοποιεί το δημόσιο fast-charging διαφορετικά από έναν στη Φινλανδία, ακόμη και με ίδια θερμοκρασία και ίδιο μερίδιο στόλου.

Η βάση ζήτησης εκπαιδεύεται πάνω σε παρατηρούμενα 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 — Location score

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

Traffic — σύνθετο traffic score που προκύπτει από κρατικά δεδομένα AADT (annual average daily traffic), σταθμισμένα με βάση την εγγύτητα και τον τύπο δρόμου. Περιλαμβάνει επίσης ποσοστό κυκλοφορίας σε αυτοκινητόδρομο και μέγιστο AADT δρόμου. Αυτός είναι ο ισχυρότερος μεμονωμένος predictor.
Ανταγωνισμός — υπάρχοντες DC fast chargers σε ακτίνα 5 km, 10 km και 25 km, μαζί με την απόσταση από τον κοντινότερο ανταγωνιστή. Περισσότερος ανταγωνισμός σημαίνει ότι κάθε σταθμός απορροφά μικρότερο μερίδιο της διερχόμενης ζήτησης.
Σημεία ενδιαφέροντος — πρατήρια καυσίμων, φαγητό, parking και άλλες παροχές σε ακτίνα 1 km και 5 km. Περιλαμβάνει και υποκατηγορίες retail POI: malls, brand fast food restaurants, αλυσίδες καταστημάτων και πυκνότητα λιανικής. Αυτά λειτουργούν ως proxies για footfall, dwell time και το είδος τοποθεσίας που προσελκύει οδηγούς.
Προσβασιμότητα — απόσταση από το κοντινότερο πρατήριο καυσίμων, σημείο φαγητού και οποιοδήποτε POI. Οι τοποθεσίες κοντά σε υπάρχουσα υποδομή οδηγών κληρονομούν αυτή την κίνηση.

Το μοντέλο έχει εκπαιδευτεί σε πάνω από 33,934 station-months παρατηρούμενης χρήσης φόρτισης σε 4,083 σταθμούς. Μαθαίνει ποιος συνδυασμός χωρικών χαρακτηριστικών προβλέπει υψηλή ή χαμηλή αξιοποίηση — και μετά το εφαρμόζει σε οποιοδήποτε 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 συνδυάζονται 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 location score. Λειτουργεί ως πολλαπλασιαστής πάνω στη βάση ζήτησης. Score 3.0 σημαίνει ότι αυτή η τοποθεσία θα προσέλκυε τριπλάσια ζήτηση από το baseline χώρας/μήνα. Score 0.5 σημαίνει τη μισή.

Στάδιο 3 — Προσαρμογή operator

Το location score είναι σκόπιμα operator-blind — μετρά τη γη, όχι ποιος στέκεται πάνω της. Όταν όμως παράγεται πρόβλεψη ζήτησης για ένα συγκεκριμένο project, μπαίνει ένας τρίτος παράγοντας: ο CPO execution factor. 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  ×  location score  ×  CPO factor
                            

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

Βάση ζήτησης (Νορβηγία, Ιαν, −5°C, 25% BEV)	81 kWh/EVSE/day
Location score	× 1.50
CPO execution factor	× 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 location score χρησιμοποιεί μία ενιαία παγκόσμια κλίμακα. Score 2.5 σημαίνει το ίδιο παντού: 2.5× τη τοπική βάση ζήτησης. Όμως επειδή τα χωρικά χαρακτηριστικά που το οδηγούν (πυκνότητα traffic, 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. Δεν είναι σφάλμα — είναι το σήμα. Πυκνές αγορές με υψηλή κυκλοφορία και πολλές παροχές δίνουν 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.

Explainability

Κάθε score συνοδεύεται από πλήρη ανάλυση SHAP (SHapley Additive exPlanations) που δείχνει ακριβώς ποια features ανέβασαν ή κατέβασαν το score, 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 έχει σημασία όταν παίρνεις επενδυτικές αποφάσεις: θέλεις να ξέρεις το γιατί, όχι μόνο το τι.

Σύνδεση