Pointez n’importe quel endroit sur une carte et Pulse vous indiquera la demande de recharge rapide qu’il générerait. Pas un vague « bon » ou « mauvais » — un chiffre réel : estimation en kWh par point de charge et par jour, détaillée par mois et explicable jusqu’aux variables 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 la demande de recharge rapide existant globalement pour un pays et un mois donnés. Il prend en compte trois éléments :

Température — le froid augmente la consommation d’énergie par km et renforce l’anxiété d’autonomie. Un mois de janvier norvégien génère environ 70 % de demande de recharge rapide en plus par BEV qu’un mois de juillet norvégien.
Part de la flotte BEV — plus il y a de voitures électriques sur les routes, plus il y a de sessions de recharge. Le modèle utilise la pénétration des BEV par pays et par année, à échelle logarithmique.
Référence pays — culture de conduite, densité autoroutière et habitudes de recharge diffèrent structurellement d’un pays à l’autre. Un propriétaire de BEV norvégien utilise la recharge rapide publique différemment d’un Finlandais, même à température et part de flotte identiques.

La base de demande est entraînée sur des données d’usage observées au niveau des stations. Elle répond à la question : à quoi ressemble la « normale » dans ce pays, ce mois-ci ? Le résultat est un chiffre en kWh par point de charge et par jour — généralement entre 40 et 120 selon le marché et la saison.

Étape 2 — Score d’emplacement

La base de demande décrit le marché. Le score d’emplacement décrit cet endroit précis. C’est un modèle de machine learning (arbres à gradient boosting) qui évalue 20 variables spatiales réparties en plusieurs catégories :

Trafic — score de trafic composite dérivé des données gouvernementales AADT (trafic journalier annuel moyen), pondéré par proximité et type de route. Il inclut aussi la part de trafic autoroutier et l’AADT maximal des routes. 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, ainsi que la distance au concurrent le plus proche. Plus la concurrence est forte, plus chaque station capte une faible part de la demande de passage.
Points d’intérêt — stations-service, restauration, stationnement et autres équipements dans un rayon de 1 km et 5 km. Inclut des sous-catégories de POI retail : centres commerciaux, enseignes de restauration rapide, chaînes de magasins et densité commerciale. Ce sont des proxys de fréquentation, de temps d’arrêt et du type d’emplacement qui attire les conducteurs.
Accessibilité — distance à la station-service, au point de restauration et au POI le plus proche. Les emplacements proches d’infrastructures déjà utilisées par les conducteurs bénéficient de ce trafic.

Le modèle est entraîné sur plus de 33,934 station-mois d’usage de recharge observé dans 4,083 stations. Il apprend quelles combinaisons de variables spatiales prédisent une utilisation élevée ou faible — puis les applique à tout nouveau point.

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

Le résultat est un chiffre unique : 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 référence pays/mois. Un score de 0.5 signifie la moitié.

Étape 3 — Ajustement opérateur

Le score d’emplacement est volontairement indépendant de l’opérateur — il mesure le terrain, pas l’acteur qui l’exploite. Mais pour produire une prévision de demande sur un projet spécifique, un troisième facteur entre en jeu : le facteur d’exécution CPO. Il ajuste la prévision selon la capacité d’un opérateur donné à convertir le potentiel de l’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 conforme au plan.

La chaîne de multiplication

L’estimation finale de la demande est simplement :

                                kWh / EVSE / jour  =  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 conforme au plan :

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

Le même emplacement en juillet (15°C) aurait une base de demande plus faible (~52 kWh), produisant 78 kWh/point de charge/jour — une baisse saisonnière de 38 %, conforme à nos observations dans les données réelles.

Pourquoi les scores diffèrent selon les marchés

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

Le score médian des stations en Norvège est d’environ 1.0. En Allemagne, il est autour de 2.5. Aux Pays-Bas, il se situe près de 3.0. Ce n’est pas un défaut — c’est le signal. Les marchés denses, à fort trafic et riches en équipements génèrent des scores plus élevés parce que ces variables prédisent réellement une demande supérieure. Un 1.5 en Norvège est au-dessus de la moyenne en Norvège ; ce même score serait inférieur à la moyenne aux Pays-Bas. Les deux sont justes.

Explicabilité

Chaque score s’accompagne d’une décomposition SHAP (SHapley Additive exPlanations) complète, montrant précisément quelles variables ont fait monter ou baisser le score, et de combien. Tu peux voir qu’un emplacement donné obtient un score élevé 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 a un score élevé. C’est essentiel pour prendre des décisions d’investissement : tu veux savoir pourquoi, pas seulement quoi.

Chaque composant du moteur a sa propre analyse détaillée : le modèle de demande, le score d’emplacement et le score d’exécution CPO.

Connexion