Pointe n’importe quel endroit sur une carte et Pulse te dira quelle demande de 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 de 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 renforce l’angoisse de l’autonomie. Un mois de janvier en Norvège génère environ 70 % de demande de 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 la pénétration BEV par pays et par année sur une échelle logarithmique.
Baseline 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 observé au niveau station. Elle répond à une question simple : à quoi ressemble le “normal” dans ce pays, ce mois-là ? 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 — Location score

La base de demande te parle du marché. Le location score te parle de cet emplacement 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 gouvernementales AADT (annual average daily traffic), pondéré selon la proximité et le type de route. Inclut aussi le pourcentage de trafic autoroutier et l’AADT maximal de la route. 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 il y a de concurrence, plus chaque station 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 POI : centres commerciaux, enseignes de fast-food, chaînes de magasins et densité commerciale. Ce sont des proxys de fréquentation, de dwell time 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 fréquentées par les conducteurs héritent de ce trafic.

Le modèle est entraîné sur plus de 33,934 station-months d’usage de recharge observé sur 4,083 stations. Il apprend quelles combinaisons de variables spatiales prédisent une utilisation forte ou faible — puis applique ça 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 les données de concurrence sont rares (nouveaux marchés, zones rurales), un modèle de base séparé, utilisant uniquement les variables de trafic et de POI, prend le relais. Les deux sont combinés via une fonction sigmoïde indexée sur la densité concurrentielle locale — le modèle se dégrade proprement au lieu d’halluciner dans les régions pauvres en données.

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

Étape 3 — Ajustement opérateur

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

La chaîne de multiplication

L’estimation finale de la demande est simplement :

                                kWh / EVSE / day  =  demand base  ×  location score  ×  CPO factor
                            

Exemple concret : un site en Norvège, en janvier, avec un location score de 1.5 et une exécution au niveau du plan de base :

Base de demande (Norvège, janv., −5°C, 25 % BEV)	81 kWh/EVSE/day
Location score	× 1.50
CPO execution factor	× 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 %, exactement ce qu’on observe dans les données réelles.

Pourquoi les scores diffèrent selon les marchés

Le location score 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 pilotent (densité de trafic, concurrence, couverture 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 en dessous de la moyenne. Les deux sont corrects.

Explicabilité

Chaque score s’accompagne d’un détail SHAP (SHapley Additive exPlanations) complet montrant exactement quelles variables ont tiré le score vers le haut ou vers le bas, et dans quelle mesure. Tu peux voir qu’un emplacement 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 essentiel quand tu prends des décisions d’investissement : tu veux savoir pourquoi, pas seulement quoi.

Mot de passe oublié