Pointe n’importe quel endroit sur une carte et Pulse te dira quelle demande en recharge rapide il verrait. Pas un vague “bon” ou “mauvais” — un vrai chiffre : estimation des kWh par point de charge et par jour, ventilée par mois et explicable jusqu’aux variables d’entrée individuelles qui ont produit le résultat.

Le modèle fonctionne en trois étapes qui se multiplient entre elles.

Étape 1 — Base de demande

Un modèle paramétrique estime le niveau de demande en recharge rapide en général pour un pays et un mois donnés. Il prend en compte trois éléments :

Température — le froid augmente la consommation d’énergie par km et rend l’angoisse d’autonomie plus forte. Un mois de janvier en Norvège génère environ 70 % de demande en recharge rapide en plus par BEV qu’un mois de juillet norvégien.
Part du parc BEV — plus il y a de voitures électriques sur la route, plus il y a de sessions de recharge. Le modèle utilise une pénétration BEV à l’échelle logarithmique par pays et par année.
Niveau de base du pays — culture de conduite, densité autoroutière et habitudes de recharge diffèrent structurellement d’un pays à l’autre. Un propriétaire de BEV norvégien n’utilise pas la recharge rapide publique comme un Finlandais, même à température et part de parc identiques.

La base de demande est entraînée sur des données d’usage observées au niveau des stations de recharge. Elle répond à la question : à quoi ressemble le “normal” dans ce pays, ce mois-ci ? La sortie est un chiffre en kWh par EVSE et par jour — généralement entre 40 et 120, selon le marché et la saison.

Étape 2 — Score d’emplacement

La base de demande te parle du marché. Le score d’emplacement te parle de cet endroit précis. C’est un modèle de machine learning (gradient-boosted trees) qui évalue 20 variables spatiales réparties en plusieurs catégories :

Trafic — score de trafic composite dérivé des données publiques AADT (trafic journalier annuel moyen), pondéré selon la proximité et le type de route. Inclut aussi la part de trafic autoroutier et l’AADT maximal des routes voisines. C’est de loin le prédicteur le plus fort.
Concurrence — chargeurs rapides DC existants dans un rayon de 5 km, 10 km et 25 km, plus la distance jusqu’au concurrent le plus proche. Plus la concurrence est forte, plus chaque station de recharge capte une part réduite de la demande de passage.
Points d’intérêt — stations-service, restauration, parking et autres services dans un rayon de 1 km et 5 km. Inclut aussi des sous-catégories retail de POI : centres commerciaux, enseignes de restauration rapide, chaînes de magasins et densité commerciale. Ce sont des proxys de fréquentation, de temps de séjour et du type d’emplacement qui attire les conducteurs.
Accessibilité — distance jusqu’à la station-service, au point de restauration et au POI le plus proche. Les emplacements proches d’infrastructures déjà utilisées par les conducteurs héritent de ce trafic.

Le modèle est entraîné sur plus de 33,934 station-months de données d’usage observées, couvrant 4,083 stations. Il apprend quelles combinaisons de variables spatiales prédisent une utilisation élevée ou faible — puis applique cela à n’importe quel nouveau point.

Dans les zones avec des données concurrentielles denses, le modèle complet à 20 variables s’exécute. Dans les zones où ces données sont rares (nouveaux marchés, zones rurales), un modèle de base séparé, utilisant uniquement le trafic et les POI, prend le relais. Les deux sont combinés via une fonction sigmoïde indexée sur la densité concurrentielle locale — le modèle se dégrade donc proprement au lieu d’halluciner dans les zones pauvres en données.

La sortie est un seul chiffre : le score d’emplacement. Il agit comme un multiplicateur de la base de demande. Un score de 3.0 signifie que cet emplacement attirerait trois fois la base pays/mois. Un score de 0.5 signifie la moitié.

Étape 3 — Ajustement opérateur

Le score d’emplacement est volontairement aveugle à l’opérateur — il mesure le terrain, pas qui l’exploite. Mais quand on produit une prévision de demande pour un projet précis, un troisième facteur entre en jeu : le facteur d’exécution CPO. Il ajuste selon la capacité d’un opérateur donné à convertir le potentiel d’un emplacement en sessions réelles (voir “Qu’est-ce que le score d’exécution CPO ?” ci-dessous). La valeur par défaut est 1.0, soit une exécution au cas de base.

La chaîne de multiplication

L’estimation finale de la demande est simplement :

                                kWh / EVSE / day  =  base de demande  ×  score d’emplacement  ×  facteur CPO
                            

Exemple concret : un site en Norvège, en janvier, avec un score d’emplacement de 1.5 et une exécution au cas de base :

Base de demande (Norvège, janv., −5°C, 25 % BEV)	81 kWh/EVSE/day
Score d’emplacement	× 1.50
Facteur d’exécution CPO	× 1.00
Demande prédite	122 kWh/EVSE/day

Le même emplacement en juillet (15°C) aurait une base de demande plus faible (~52 kWh), soit 78 kWh/EVSE/day — une baisse saisonnière de 38 %, conforme à ce qu’on observe dans les données réelles.

Pourquoi les scores diffèrent selon les marchés

Le score d’emplacement utilise une échelle globale unique. Un score de 2.5 veut dire la même chose partout : 2.5× la base de demande locale. Mais comme les variables spatiales qui le déterminent (densité de trafic, concurrence, couverture en POI) varient énormément d’un pays à l’autre, la distribution des scores diffère selon les marchés.

La station médiane en Norvège tourne autour de 1.0. En Allemagne, on est plutôt autour de 2.5. Les Pays-Bas sont proches de 3.0. Ce n’est pas un défaut — c’est le signal. Les marchés denses, à fort trafic et riches en services produisent des scores plus élevés parce que ces variables prédisent réellement plus de demande. Un 1.5 en Norvège est au-dessus de la moyenne pour la Norvège ; le même score aux Pays-Bas serait sous la moyenne. Les deux sont corrects.

Explicabilité

Chaque score est livré avec une décomposition SHAP (SHapley Additive exPlanations) complète montrant exactement quelles variables ont tiré le score vers le haut ou vers le bas, et de combien. Tu peux voir qu’un emplacement donné score haut parce qu’il a 18,000 AADT sur la route la plus proche et une station-service à moins de 200 mètres — pas seulement qu’il score haut. C’est crucial quand tu prends des décisions d’investissement : tu veux savoir pourquoi, pas seulement quoi.

Chaque brique du moteur a son propre deep dive : le modèle de demande, le score d’emplacement et le score d’exécution CPO.

Récupération du compte