지도에서 아무 지점이나 찍으면 Pulse가 그 위치에서 얼마나 많은 급속충전 수요가 나올지를 보여준다. 막연한 “좋음”이나 “나쁨”이 아니다 — 실제 숫자다. 충전 베이당 일일 예상 kWh를 월별로 쪼개서 보여주고, 어떤 입력 변수들이 결과를 만들었는지도 개별 항목 수준까지 설명할 수 있다.

모델은 서로 곱해지는 3단계로 작동한다.

1단계 — 수요 베이스

파라메트릭 모델이 특정 국가와 월에 대해 전반적으로 어느 정도의 급속충전 수요가 존재하는지 추정한다. 반영하는 요소는 3가지다.

기온 — 추운 날씨는 km당 에너지 소비를 늘리고 주행거리 불안을 더 키운다. 노르웨이의 1월은 7월보다 BEV 1대당 급속충전 수요가 대략 70% 더 높다.
BEV 보급 비중 — 도로 위 전기차가 많을수록 충전 세션도 늘어난다. 모델은 국가·연도별 BEV 침투율을 로그 스케일로 사용한다.
국가별 베이스라인 — 운전 문화, 고속도로 밀도, 충전 습관은 국가마다 구조적으로 다르다. 같은 기온과 같은 보급 비중이어도 노르웨이의 BEV 오너와 핀란드의 BEV 오너는 공공 급속충전을 다르게 쓴다.

수요 베이스는 실제 스테이션 단위 이용 데이터로 학습된다. 답하는 질문은 이것이다. 이 나라의 이 달에 “정상적인” 수요는 어느 정도인가? 출력값은 EVSE당 일일 kWh이며, 보통 시장과 계절에 따라 40~120 사이에 형성된다.

2단계 — 입지 점수

수요 베이스가 시장 전체를 말해준다면, 입지 점수는 바로 이 위치를 말해준다. 머신러닝 모델(gradient-boosted trees)이 여러 카테고리에 걸친 20개의 공간 특성을 평가한다.

교통량 — 정부 AADT(연평균 일교통량) 데이터를 기반으로 도로와의 거리와 도로 유형을 가중해 만든 복합 교통 점수다. 고속도로 교통 비중과 최대 도로 AADT도 포함된다. 가장 강력한 단일 예측 변수다.
경쟁 — 반경 5 km, 10 km, 25 km 내 기존 DC 급속충전기 수와 가장 가까운 경쟁사까지의 거리다. 경쟁이 많을수록 각 스테이션이 가져가는 통과 수요의 몫은 줄어든다.
주변 편의시설 — 반경 1 km와 5 km 내 주유소, 음식점, 주차장, 기타 편의시설을 본다. 리테일 POI 세부 항목으로 쇼핑몰, 브랜드 패스트푸드, 체인 매장, 리테일 밀도도 포함된다. 이는 유동인구, 체류시간, 운전자를 끌어들이는 입지 특성의 대리 변수다.
접근성 — 가장 가까운 주유소, 음식점, 모든 POI까지의 거리다. 기존 운전자 인프라에 가까운 위치는 그 교통을 그대로 흡수한다.

이 모델은 4,083개 스테이션에서 관측된 33,934개 station-months 이상의 실제 충전 이용 데이터를 학습했다. 어떤 공간 특성 조합이 높은 이용률 또는 낮은 이용률을 예측하는지 학습한 뒤, 이를 새로운 모든 지점에 적용한다.

경쟁 데이터가 촘촘한 지역에서는 20개 특성을 모두 쓰는 전체 모델이 돌아간다. 경쟁 데이터가 희박한 지역(신규 시장, 농촌 지역)에서는 교통량과 POI 특성만 사용하는 별도 베이스라인 모델이 대신 작동한다. 두 모델은 지역 경쟁 밀도를 키로 하는 sigmoid 함수로 블렌딩된다 — 그래서 데이터가 부족한 지역에서 헛소리를 하는 대신 자연스럽게 성능이 낮아진다.

출력은 숫자 하나다. 바로 입지 점수다. 이 값은 수요 베이스에 대한 배수로 작동한다. 점수 3.0은 이 위치가 해당 국가/월 베이스라인의 3배 수요를 끌어온다는 뜻이다. 0.5면 절반이다.

3단계 — 운영사 보정

입지 점수는 의도적으로 운영사 정보를 배제한다 — 누가 운영하느냐가 아니라 땅 자체를 측정하기 때문이다. 하지만 특정 프로젝트의 수요 예측을 만들 때는 세 번째 요소가 들어간다. 바로 CPO 실행 계수다. 이 값은 특정 운영사가 입지 잠재력을 실제 세션으로 얼마나 잘 전환하는지를 반영한다(아래 “CPO 실행 점수란 무엇인가?” 참고). 기본값은 1.0이며, 계획 기준 실행력을 뜻한다.

곱셈 구조

최종 수요 추정치는 간단하다.

                                kWh / EVSE / day  =  수요 베이스  ×  입지 점수  ×  CPO 계수
                            

예를 들어 보자. 노르웨이 1월의 한 사이트가 입지 점수 1.5를 받고, 실행력은 계획 기준이라고 하자.

수요 베이스 (노르웨이, 1월, −5°C, BEV 25%)	81 kWh/EVSE/day
입지 점수	× 1.50
CPO 실행 계수	× 1.00
예상 수요	122 kWh/EVSE/day

같은 위치라도 7월(15°C)에는 수요 베이스가 더 낮아져(~52 kWh) 78 kWh/EVSE/day가 된다 — 계절 요인으로 38% 감소하는 셈이며, 이는 실제 데이터에서 관측되는 패턴과 맞아떨어진다.

시장별로 점수가 다른 이유

입지 점수는 전 시장에 걸쳐 하나의 글로벌 스케일을 사용한다. 2.5라는 점수는 어디서나 같은 뜻이다. 즉, 해당 지역의 수요 베이스 대비 2.5×다. 다만 점수를 움직이는 공간 특성(교통 밀도, 경쟁, POI 커버리지)은 국가마다 크게 다르기 때문에 점수의 분포는 시장별로 달라진다.

노르웨이의 스테이션 중앙값은 대략 1.0이다. 독일은 약 2.5, 네덜란드는 3.0에 가깝다. 이건 결함이 아니라 신호다. 교통량이 많고 편의시설이 풍부한 고밀도 시장은 실제로 더 높은 수요를 예측하므로 점수도 높게 나온다. 노르웨이에서 1.5는 노르웨이 기준으로 평균 이상이다. 같은 1.5라도 네덜란드에서는 평균 이하일 수 있다. 둘 다 맞다.

설명 가능성

모든 점수에는 전체 SHAP (SHapley Additive exPlanations) 분해 결과가 함께 제공된다. 어떤 특성이 점수를 올렸는지, 어떤 특성이 내렸는지, 그리고 각각 얼마나 영향을 줬는지를 정확히 보여준다. 예를 들어 특정 위치가 높은 점수를 받은 이유가 단순히 “높다”가 아니라, 가장 가까운 도로의 AADT가 18,000이고 200m 안에 주유소가 있기 때문이라는 걸 볼 수 있다. 투자 의사결정에서는 이게 중요하다. 무엇인지뿐 아니라 왜 그런지도 알아야 하기 때문이다.

엔진의 각 구성 요소는 별도 딥다이브로 정리돼 있다: 수요 모델, 입지 점수, 그리고 CPO 실행 점수.

계정 복구