Наведи на будь-яку точку на мапі, і Pulse скаже, який попит на fast-charging вона побачить. Не розмите “добре” чи “погано” — а конкретне число: оцінений kWh на один charging bay на день, з розбивкою по місяцях і поясненням аж до окремих вхідних фіч, які дали цей результат.

Модель працює у три етапи, які перемножуються між собою.

Етап 1 — База попиту

Параметрична модель оцінює, скільки fast-charging попиту існує загалом для конкретної країни та місяця. Вона враховує три речі:

Температура — холодна погода підвищує споживання енергії на км і загострює range anxiety. Січень у Норвегії дає приблизно на 70% більше fast-charging попиту на один BEV, ніж липень у Норвегії.
Частка парку BEV — більше електромобілів на дорогах означає 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 публічним fast-charging інакше, ніж у Фінляндії, навіть за однакової температури та частки парку.

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

Етап 2 — Location score

База попиту говорить тобі про ринок. Location score говорить про саме цю точку. Це модель machine learning (gradient-boosted trees), яка оцінює 20 просторових фіч у кількох категоріях:

Трафік — композитний traffic score на основі державних даних AADT (annual average daily traffic), з урахуванням близькості до дороги та її типу. Також включає частку highway traffic і max road AADT. Це найсильніший предиктор.
Конкуренція — наявні DC fast-chargers у радіусі 5 км, 10 км і 25 км, плюс відстань до найближчого конкурента. Більше конкуренції означає, що кожна станція забирає меншу частку транзитного попиту.
Points of interest — АЗС, їжа, паркінг та інші зручності в радіусі 1 км і 5 км. Також включає retail POI-підкатегорії: malls, brand fast food restaurants, chain stores і щільність retail. Це проксі для footfall, dwell time і типу локації, який приваблює водіїв.
Доступність — відстань до найближчої АЗС, точки харчування та будь-якого POI. Локації поруч із наявною інфраструктурою для водіїв успадковують цей трафік.

Модель навчена на більш ніж 33,934 station-months спостережуваного зарядного використання на 4,083 stations. Вона вчиться, яка комбінація просторових фіч прогнозує високу або низьку utilization — а потім застосовує це до будь-якої нової точки.

У зонах із щільними конкурентними даними працює повна 20-фічева модель. У зонах із розрідженими даними про конкуренцію (нові ринки, сільські райони) підхоплює окрема базова модель, яка використовує лише traffic і POI-фічі. Обидві змішуються через sigmoid-функцію, прив’язану до локальної щільності конкуренції — тож модель деградує плавно, а не галюцинує в регіонах із бідними даними.

На виході одне число: location score. Воно працює як мультиплікатор для бази попиту. Score 3.0 означає, що ця локація притягне втричі більше за базовий рівень країни/місяця. Score 0.5 означає половину.

Етап 3 — Коригування на оператора

Location score навмисно не залежить від оператора — він вимірює землю, а не те, хто на ній стоїть. Але коли ми будуємо прогноз попиту для конкретного проєкту, з’являється третій фактор: CPO execution factor. Він коригує, наскільки добре конкретний оператор перетворює потенціал локації на реальні сесії (див. “Що таке CPO execution score?” нижче). Значення за замовчуванням — 1.0, тобто execution за plan-case.

Ланцюжок множення

Фінальна оцінка попиту проста:

                                kWh / EVSE / day  =  база попиту  ×  location score  ×  CPO factor
                            

Приклад: локація в Норвегії, січень, location score 1.5 і execution за plan-case:

База попиту (Норвегія, січень, −5°C, 25% BEV)	81 kWh/EVSE/day
Location score	× 1.50
CPO execution factor	× 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 scores відрізняються між ринками

Location score використовує єдину глобальну шкалу. Score 2.5 означає одне й те саме всюди: 2.5× від локальної бази попиту. Але оскільки просторові фічі, які формують score (щільність трафіку, конкуренція, покриття POI), дуже різняться між країнами, розподіл scores відрізняється від ринку до ринку.

У Норвегії медіанний score станції близько 1.0. У Німеччині — близько 2.5. У Нідерландах — близько 3.0. Це не вада — це і є сигнал. Щільні ринки з високим трафіком і великою кількістю зручностей дають вищі scores, бо ці фічі справді прогнозують більший попит. Score 1.5 у Норвегії — вище середнього для Норвегії; той самий score у Нідерландах був би нижче середнього. І обидва висновки правильні.

Пояснюваність

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

Забув пароль