मैप पर किसी भी पॉइंट पर जाओ, और Pulse बता देगा कि वहां fast-charging demand कितनी होगी। कोई vague “good” या “bad” नहीं — सीधा number: प्रति charging bay प्रति दिन estimated kWh, month-wise breakdown के साथ, और इतना explainable कि कौन-से input features ने result को drive किया, यह भी साफ दिखे।

मॉडल तीन stages में काम करता है, जो आपस में multiply होते हैं।

Stage 1 — Demand base

एक parametric model estimate करता है कि किसी दिए गए country और month में overall fast-charging demand कितनी है। यह तीन चीज़ों को account में लेता है:

Temperature — ठंडे मौसम में प्रति km energy consumption बढ़ता है और range anxiety भी ज्यादा होती है। Norway में January, July की तुलना में प्रति BEV लगभग 70% ज्यादा fast-charging demand पैदा करता है।
BEV fleet share — सड़क पर जितनी ज्यादा electric cars होंगी, charging sessions उतने ज्यादा होंगे। मॉडल country और year के हिसाब से log-scaled BEV penetration इस्तेमाल करता है।
Country baseline — driving culture, highway density, और charging habits देशों के बीच structurally अलग होते हैं। Norway का BEV owner public fast-charging को Finland के BEV owner से अलग तरह से use करता है, चाहे temperature और fleet share same ही क्यों न हों।

Demand base को observed station-level usage data पर train किया गया है। यह सवाल का जवाब देता है: इस country, इस month में “normal” कैसा दिखता है? Output kWh per EVSE per day में आता है — आम तौर पर 40 से 120 के बीच, market और season पर depend करता है।

Stage 2 — Location score

Demand base तुम्हें market के बारे में बताता है। Location score बताता है कि यह exact spot कैसा है। यह एक machine learning model (gradient-boosted trees) है, जो कई categories में फैले 20 spatial features को evaluate करता है:

Traffic — government AADT (annual average daily traffic) data से निकला composite traffic score, जिसे road proximity और road type के हिसाब से weight किया जाता है। इसमें highway traffic percentage और max road AADT भी शामिल है। यही single strongest predictor है।
Competition — 5 km, 10 km, और 25 km के भीतर मौजूद DC fast-chargers, साथ में nearest competitor तक की distance। Competition जितनी ज्यादा होगी, हर station passing demand का उतना छोटा share capture करेगा।
Points of interest — 1 km और 5 km के भीतर fuel stations, food, parking, और दूसरी amenities। इसमें retail POI subcategories भी शामिल हैं: malls, brand fast food restaurants, chain stores, और retail density। ये footfall, dwell time, और उस तरह की location के proxies हैं जो drivers को attract करती है।
Accessibility — nearest fuel station, food outlet, और किसी भी POI तक की distance। जो locations existing driver infrastructure के पास होती हैं, वे उसी traffic का फायदा उठाती हैं।

मॉडल को 4,083 stations में फैले observed charging usage के 33,934 station-months पर train किया गया है। यह सीखता है कि spatial features का कौन-सा combination high या low utilisation predict करता है — और फिर उसे किसी भी नए point पर apply करता है।

जहां competition data dense है, वहां full 20-feature model चलता है। जहां competition data sparse है (new markets, rural zones), वहां सिर्फ traffic और POI features वाला अलग baseline model काम संभालता है। दोनों को local competitive density के हिसाब से sigmoid function से blend किया जाता है — ताकि data-sparse regions में model hallucinate करने के बजाय gracefully degrade करे।

Output एक single number है: location score। यह demand base पर multiplier की तरह काम करता है। 3.0 का score मतलब यह location country/month baseline से तीन गुना demand attract करेगी। 0.5 का मतलब आधी।

Stage 3 — Operator adjustment

Location score जानबूझकर operator-blind रखा गया है — यह जमीन को measure करता है, उस पर खड़ा operator कौन है, यह नहीं। लेकिन जब किसी specific project के लिए demand forecast बनता है, तब तीसरा factor आता है: CPO execution factor। यह adjust करता है कि कोई operator location potential को actual sessions में कितनी अच्छी तरह convert करता है (नीचे “CPO execution score क्या है?” देखें)। Default 1.0 है, यानी plan-case execution।

The multiplication chain

Final demand estimate सीधा यह है:

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

एक worked example: Norway में January का एक site, location score 1.5 और plan-case execution के साथ:

Demand base (Norway, Jan, −5°C, 25% BEV)	81 kWh/EVSE/day
Location score	× 1.50
CPO execution factor	× 1.00
Predicted demand	122 kWh/EVSE/day

July (15°C) में यही location lower demand base (~52 kWh) देगी, जिससे 78 kWh/EVSE/day बनेगा — यानी 38% seasonal drop, और यही pattern हमें real data में भी दिखता है।

Why scores differ across markets

Location score एक single global scale use करता है। 2.5 का score हर जगह एक ही मतलब रखता है: local demand base का 2.5×। लेकिन score को drive करने वाले spatial features (traffic density, competition, POI coverage) देशों के बीच बहुत अलग होते हैं, इसलिए scores की distribution market के हिसाब से बदलती है।

Norway का median station score करीब 1.0 है। Germany का करीब 2.5। Netherlands करीब 3.0 पर बैठता है। यह flaw नहीं है — यही signal है। Dense, high-traffic markets जिनमें amenities ज्यादा हैं, naturally higher scores देते हैं क्योंकि वही features सच में ज्यादा demand predict करते हैं। Norway में 1.5 above-average है for Norway; Netherlands में वही score below average होगा। दोनों सही हैं।

Explainability

हर score के साथ पूरा SHAP (SHapley Additive exPlanations) breakdown आता है, जो साफ दिखाता है कि कौन-से features ने score को ऊपर या नीचे push किया, और कितना। तुम देख सकते हो कि कोई location high score करती है क्योंकि nearest road पर 18,000 AADT है और 200 metres के भीतर fuel station है — सिर्फ इतना नहीं कि उसका score high है। Investment decisions में यही matter करता है: तुम्हें सिर्फ what नहीं, why भी जानना होता है।

Engine के हर हिस्से का अपना deep-dive है: demand model, location score, और CPO execution score।

Account Recovery