Mutass a térképen bármely pontra, és a Pulse megmondja, mekkora gyorstöltési keresletet látna ott. Nem valami ködös “jó” vagy “rossz” — hanem egy konkrét számot: becsült kWh töltőállásonként naponta, havi bontásban, és egészen az egyedi input feature-ökig visszafejthetően, amelyek az eredményt hajtották.

A modell három egymásra szorzódó lépésben működik.

1. lépés — Keresleti alap

Egy parametrikus modell megbecsüli, hogy általánosságban mekkora gyorstöltési kereslet létezik egy adott országban és hónapban. Három dolgot vesz figyelembe:

Hőmérséklet — a hideg idő növeli a km-enkénti energiafogyasztást, és erősíti a hatótáv miatti szorongást. Egy norvég január nagyjából 70%-kal több gyorstöltési keresletet termel BEV-nként, mint egy norvég július.
BEV-flottaarány — minél több elektromos autó van az utakon, annál több a töltési session. A modell ország és év szerinti, log-skálázott BEV-penetrációt használ.
Országos alapvonal — a vezetési kultúra, az autópálya-sűrűség és a töltési szokások országonként strukturálisan eltérnek. Egy norvég BEV-tulajdonos másképp használja a nyilvános gyorstöltést, mint egy finn, még azonos hőmérséklet és flottaarány mellett is.

A keresleti alapot megfigyelt, állomásszintű használati adatokon tanítjuk. Erre válaszol: mi számít “normálisnak” ebben az országban, ebben a hónapban? A kimenet egy szám kWh/EVSE/nap egységben — jellemzően 40 és 120 között, piactól és évszaktól függően.

2. lépés — Helyszínscore

A keresleti alap a piacról mond valamit. A helyszínscore pedig erről a konkrét pontról. Ez egy gépi tanulási modell (gradient-boosted trees), amely 20 térbeli feature-t értékel több kategóriában:

Forgalom — összetett forgalmi score állami AADT (annual average daily traffic) adatokból, az útközelség és az úttípus alapján súlyozva. Tartalmazza az autópálya-forgalom arányát és a maximális útszakasz AADT-t is. Ez a legerősebb egyedi prediktor.
Versenyhelyzet — meglévő DC gyorstöltők 5 km-en, 10 km-en és 25 km-en belül, plusz a legközelebbi versenytárs távolsága. Több verseny azt jelenti, hogy minden állomás kisebb részt hasít ki az áthaladó keresletből.
Érdekes pontok — benzinkutak, étkezési lehetőségek, parkolók és egyéb szolgáltatások 1 km-en és 5 km-en belül. Ide tartoznak a retail POI-alkategóriák is: plázák, márkás gyorséttermek, láncüzletek és kiskereskedelmi sűrűség. Ezek a gyalogosforgalom, a tartózkodási idő és a sofőröket vonzó lokációtípusok proxyjai.
Megközelíthetőség — távolság a legközelebbi benzinkúttól, étkezési ponttól és bármely POI-tól. A meglévő autós infrastruktúra közelében lévő helyszínek öröklik annak forgalmát.

A modellt több mint 33,934 állomás-hónapnyi megfigyelt töltési használaton tanítottuk, 4,083 állomás adatai alapján. Azt tanulja meg, hogy a térbeli feature-ök milyen kombinációja jelez magas vagy alacsony kihasználtságot — majd ezt alkalmazza bármely új pontra.

Olyan területeken, ahol sűrű a versenyadat, a teljes 20 feature-ös modell fut. Ahol ritkás a versenyadat (új piacok, vidéki zónák), ott egy külön alapmodell veszi át a szerepet, amely csak forgalmi és POI feature-öket használ. A kettőt egy, a helyi versenysűrűséghez kötött szigmoid függvény blendeli — így a modell kulturáltan romlik, nem hallucinál adatban szegény régiókban.

A kimenet egyetlen szám: a helyszínscore. Ez egy szorzóként működik a keresleti alapon. A 3.0-s score azt jelenti, hogy ez a helyszín az ország/hónap alapérték háromszorosát vonzaná. A 0.5 ennek a felét.

3. lépés — Üzemeltetői korrekció

A helyszínscore szándékosan operator-blind — a földet méri, nem azt, ki áll rajta. De amikor egy konkrét projektre keresleti előrejelzést készítünk, belép egy harmadik tényező: a CPO execution factor. Ez azt korrigálja, hogy egy adott üzemeltető mennyire tudja a helyszín potenciálját tényleges sessionökké alakítani (lásd lent: “Mi az a CPO execution score?”). Az alapértelmezett érték 1.0, vagyis plan-case végrehajtás.

A szorzási lánc

A végső keresleti becslés egyszerűen:

                                kWh / EVSE / nap  =  keresleti alap  ×  helyszínscore  ×  CPO faktor
                            

Egy konkrét példa: egy norvégiai helyszín januárban, 1.5-ös helyszínscore-ral és plan-case végrehajtással:

Keresleti alap (Norvégia, jan., −5°C, 25% BEV)	81 kWh/EVSE/nap
Helyszínscore	× 1.50
CPO execution factor	× 1.00
Előrejelzett kereslet	122 kWh/EVSE/nap

Ugyanez a helyszín júliusban (15°C) alacsonyabb keresleti alappal (~52 kWh) számolna, ami 78 kWh/EVSE/nap eredményt adna — ez 38%-os szezonális visszaesés, és pontosan ezt látjuk a valós adatokban is.

Miért térnek el a score-ok piacok között?

A helyszínscore egyetlen globális skálát használ. A 2.5 mindenhol ugyanazt jelenti: a helyi keresleti alap 2.5-szeresét. De mivel a score-ot hajtó térbeli feature-ök (forgalomsűrűség, verseny, POI-lefedettség) országonként nagyon eltérnek, a score-ok eloszlása piaconként más.

Norvégiában a medián állomásscore nagyjából 1.0. Németországban inkább 2.5 körül van. Hollandia közelebb van a 3.0-hoz. Ez nem hiba — ez maga a jel. A sűrű, nagy forgalmú, sok szolgáltatással rendelkező piacok magasabb score-okat adnak, mert ezek a feature-ök tényleg nagyobb keresletet jeleznek előre. Egy 1.5 Norvégiában átlag feletti Norvégiához képest; ugyanez Hollandiában átlag alatti lenne. Mindkettő helyes.

Magyarázhatóság

Minden score-hoz teljes SHAP (SHapley Additive exPlanations) bontás tartozik, amely pontosan megmutatja, mely feature-ök húzták fel vagy le az értéket, és mennyivel. Látod, hogy egy adott helyszín azért kap magas score-t, mert a legközelebbi úton 18,000 AADT van, és 200 méteren belül található egy benzinkút — nem csak azt, hogy magas a score. Ez befektetési döntéseknél számít: nemcsak azt akarod tudni, mit mond a modell, hanem azt is, miért.

Elfelejtett jelszó