Наведи на будь-яку точку на мапі — і Pulse покаже, який попит на швидку зарядку вона згенерує. Не розмите “добре” чи “погано”, а конкретне число: прогнозований kWh на один charging bay на день, з розбивкою по місяцях і поясненням аж до окремих вхідних факторів, які сформували результат.

Модель працює у три етапи, які перемножуються між собою.

Етап 1 — База попиту

Параметрична модель оцінює, який попит на швидку зарядку існує загалом для конкретної країни та місяця. Вона враховує три речі:

Температура — холодна погода підвищує споживання енергії на км і загострює тривожність щодо запасу ходу. У Норвегії січень дає приблизно на 70% більше попиту на швидку зарядку на один BEV, ніж липень.
Частка BEV у парку — що більше електромобілів на дорогах, то більше зарядних сесій. Модель використовує логарифмічно масштабоване проникнення BEV за країною та роком.
Базовий рівень країни — культура водіння, щільність автомагістралей і звички заряджання структурно відрізняються між країнами. Власник BEV у Норвегії користується публічною швидкою зарядкою не так, як у Фінляндії, навіть за однакової температури та частки BEV.

База попиту навчається на фактичних даних використання на рівні станцій. Вона відповідає на питання: як виглядає “норма” у цій країні, в цьому місяці? На виході — число в kWh на EVSE на день — зазвичай у діапазоні від 40 до 120, залежно від ринку та сезону.

Етап 2 — Оцінка локації

База попиту описує ринок. Оцінка локації описує саме цю конкретну точку. Це модель машинного навчання (gradient-boosted trees), яка оцінює 20 просторових ознак у кількох категоріях:

Трафік — композитний traffic score, побудований на державних даних AADT (annual average daily traffic), з урахуванням близькості до дороги та її типу. Також включає частку трафіку на автомагістралях і максимальний AADT дороги. Це найсильніший окремий предиктор.
Конкуренція — наявні DC fast-chargers у радіусі 5 км, 10 км і 25 км, плюс відстань до найближчого конкурента. Що більше конкуренції, то меншу частку транзитного попиту забирає кожна станція.
Точки інтересу — АЗС, їжа, паркінг та інші зручності в радіусі 1 км і 5 км. Також враховуються підкатегорії retail POI: торгові центри, мережеві fast food ресторани, мережеві магазини та щільність retail. Це проксі для пішохідного потоку, часу перебування та типу локації, який притягує водіїв.
Доступність — відстань до найближчої АЗС, закладу харчування та будь-якого POI. Локації поруч із уже наявною інфраструктурою для водіїв успадковують цей трафік.

Модель навчена на більш ніж 33,934 station-months фактичного використання зарядки на 4,083 stations. Вона вчиться, яка комбінація просторових ознак прогнозує високу або низьку утилізацію, а потім застосовує це до будь-якої нової точки.

У зонах із щільними даними про конкуренцію працює повна 20-факторна модель. У зонах, де даних про конкуренцію мало (нові ринки, сільські території), підхоплює окрема базова модель, що використовує лише трафік і POI. Обидві моделі змішуються через sigmoid function, прив’язану до локальної щільності конкуренції — тож модель деградує коректно, а не галюцинує в регіонах із розрідженими даними.

На виході — одне число: оцінка локації. Вона працює як мультиплікатор для бази попиту. Оцінка 3.0 означає, що ця локація притягне втричі більше за базовий рівень країни/місяця. Оцінка 0.5 означає половину.

Етап 3 — Коригування на оператора

Оцінка локації навмисно не враховує оператора — вона вимірює землю, а не того, хто на ній стоїть. Але коли формується прогноз попиту для конкретного проєкту, додається третій фактор: фактор виконання CPO. Він коригує, наскільки добре конкретний оператор перетворює потенціал локації на реальні сесії (див. нижче “Що таке оцінка виконання CPO?”). Значення за замовчуванням — 1.0, тобто виконання за plan-case.

Ланцюжок множення

Фінальна оцінка попиту проста:

                                kWh / EVSE / day  =  база попиту  ×  оцінка локації  ×  фактор CPO
                            

Приклад: локація в Норвегії, січень, з оцінкою локації 1.5 і виконанням за plan-case:

База попиту (Норвегія, січень, −5°C, 25% BEV)	81 kWh/EVSE/day
Оцінка локації	× 1.50
Фактор виконання CPO	× 1.00
Прогнозований попит	122 kWh/EVSE/day

Та сама локація в липні (15°C) матиме нижчу базу попиту (~52 kWh), що дає 78 kWh/EVSE/day — сезонне падіння на 38%, і це збігається з тим, що ми бачимо в реальних даних.

Чому оцінки відрізняються між ринками

Оцінка локації використовує єдину глобальну шкалу. Оцінка 2.5 всюди означає одне й те саме: 2.5× від локальної бази попиту. Але оскільки просторові ознаки, які формують оцінку (щільність трафіку, конкуренція, покриття POI), дуже сильно різняться між країнами, розподіл оцінок відрізняється від ринку до ринку.

У Норвегії медіанна оцінка станції — близько 1.0. У Німеччині — близько 2.5. У Нідерландах — близько 3.0. Це не вада моделі — це і є сигнал. Щільні ринки з високим трафіком і великою кількістю зручностей дають вищі оцінки, бо саме ці фактори реально прогнозують більший попит. Оцінка 1.5 у Норвегії — вище середнього для Норвегії; та сама оцінка в Нідерландах була б нижче середнього. І обидва висновки правильні.

Пояснюваність

Кожна оцінка супроводжується повною розбивкою SHAP (SHapley Additive exPlanations), яка точно показує, які фактори підняли або знизили оцінку — і на скільки. Ти можеш побачити, що конкретна локація має високий бал тому що на найближчій дорозі 18,000 AADT і АЗС у межах 200 метрів — а не просто те, що бал високий. Це важливо, коли ти ухвалюєш інвестиційні рішення: потрібно знати чому, а не лише що.

Для кожної частини рушія є окремий deep-dive: модель попиту, оцінка локації і оцінка виконання CPO.

Відновлення акаунта