Reduciranje anksioznosti o dometu električnih vozila: Kako…

==========================================================================================================================================================

Novembar 21, 2025 – Kostas Kollias, istraživački znanstvenik, Google Research

Prebacivanje na električna vozila (EV) ubrzano se odvija širom svijeta, donoseći kritičnu potrebu za pouzdanom i robustnom infrastrukturom za punjenje. Dok je izgradnja više fizičkih punjačkih stanica važan korak, jednako važan je zadatak je maksimiziranje efikasnosti ove infrastrukture i minimiziranje “anksioznosti o dometu”, pojma koji opisuje strah električnih vozila da će vozilo doći do kraja baterije prije nego što dođe do odredišta ili najbliže dostupne punjačke stanice. Ove brige potakle su nas da dizajniramo pristup za vožnju EV koji smanjuje anksioznost o dometu tako što integrira punjačke stanice u navigacijski put na temelju nivoa baterije i odredišta. Ove nedjelje objavili smo novi lagani, vrlo efikasan prediktivni model koji može odgovoriti na ključno pitanje: “Kakva je vjerojatnost da će punjačka stanica biti dostupna na određenoj stanici za određeni broj minuta od sada?” Otkrili smo da najsloženiji model nije uvijek najbolje rješenje. Ko-dizajnirajući model i infrastrukturu za implementaciju, uspjeli smo stvoriti vrlo učinkoviti prediktivni sustav temeljen na jednostavnom linearnom regresijskom pristupu. Ova jednostavnost je njegova snaga, dopuštajući joj da se oslanja na lako dostupne karakteristike dok i dalje postiže poboljšanja u performansama u odnosu na jaku baznu liniju. Naš rad pokazuje da kombiniranje intuitivne realne logike s strojnim učenjem može donijeti značajne operativne i korisničke prednosti.

Stvaranje modela

Naš cilj bio je maksimalizirati prediktivnu moć dok smo istovremeno minimizirali skupinu karakteristika (tj. specifične, mjereljive podatke koje model koristi za izradu predviđanja) kako bi se osiguralo brza i niska latencija implementacije. Nakon testiranja različitih arhitektura, uključujući stablo odlučivanja i jednostavni neuronski mrežni, jednostavni linearni regresijski model pokazao se najizvršnijom i najrobustnijom za ovaj specifični zadatak. Model smo trenirali koristeći podatke o stvarnoj dostupnosti iz mreža za punjenje kako bismo izračunali pravi broj dostupnih punjačkih portova u određenom broju minuta od trenutnog vremena promatranja koristeći kriterije za karakteristike modela i težine. Jednako smo uzorkovali portove iz dvije različite regije (CA i Njemačka). Veće stanice vjerojatnije su bile uključene u skup za treniranje jer vide više prometa nego izolirani portovi i bolje odražavaju realnu upotrebu.

Karakteristike

Model koristi sat u danu kao ključni dio informacija (karakteristiku). Tretira svaki sat (ili raspon sati) zasebno. Na primjer, “9 sati” jedna je karakteristika, a “17 sati” druga. Težine

“Težine” su specifični numerički vrijednosti koje linearni regresijski algoritam uči tijekom treniranja. Ovi brojevi određuju koliko svaki određeni sat u danu utječe na konačno predviđanje. Pozitivna težina znači da se tijekom tog sata (npr. 7:00) portovi obično zauzimaju (zauzetost raste). Negativna težina znači da se tijekom tog sata (npr. 17:00) portovi obično oslobađaju (zauzetost opada). Nula ili skoro nula težina znači da tijekom tog sata (npr. 3:00) malo se mijenja status portova. Ove “težine karakteristika sata” su koeficijenti koje model uči da kvantificiraju predvidivu stopu promjene zauzetosti EV portova za svaki sat u danu. U stvari, model uči izražavati razliku između trenutnog broja dostupnih portova i budućeg broja dostupnih portova kao funkciju težina karakteristika sata. Težine karakteristika koje su naučene za svaki sat u danu posebno su informativne jer direktno predstavljaju stopu promjene zauzetosti portova. Kao što je prikazano na donjoj slici, postoje jasni, predvidivi trendovi koji su povezani s rasporedom vozača: Težine karakteristika za svaki sat za 30-minutni horizont. Odgovaraju stopi promjene zauzetosti portova na svakom 30-minutnom vremenskom intervalu. Težine karakteristika za svaki sat za 60-minutni horizont. Odgovaraju stopi promjene zauzetosti portova na svakom 60-minutnom vremenskom intervalu. Napominjemo da model razlikuje od trenutnog stanja samo kada je stopa promjene značajna (npr. u sat prometa) ili je stanica velika (više portova pojačava predviđeni promjen), što su intuitivno točno vremena za izdavanje ažuriranog predviđanja.

Eksperimenti

Naša evaluacija bila je stroga i reprezentativna realne upotrebe. Za oba 30-minutna i 60-minutna vremenska horizonta, ocijenili smo predviđanja na 100 slučajno odabranih portova iz dvije regije (CA i Njemačka) za oba vremenska horizonta. Rezultati su pokazali da je naš model postigao preciznost od 85% za 30-minutni horizont i 80% za 60-minutni horizont. Usporedili smo naše rezultate s baznim modelom koji koristi samo prosječnu zauzetost portova i naš model je postigao značajno bolje rezultate. Također smo usporedili naše rezultate s najsloženijim modelom koji koristi neuronsku mrežu i naš model je postigao slične rezultate, ali je bio mnogo brži i manje resursno zahtjevan. Naš rad pokazuje da kombiniranje intuitivne realne logike s strojnim učenjem može donijeti značajne operativne i korisničke prednosti.

Zaključak

U ovom članku opisali smo kako jednostavni linearni regresijski model može biti vrlo učinkovit u predviđanju dostupnosti punjačkih portova za električna vozila. Naš model koristi lako dostupne karakteristike i postiže poboljšanja u performansama u odnosu na jaku baznu liniju. Također smo pokazali kako se model može prilagoditi različitim regijama i vremenskim horizontima. Naš rad pokazuje da kombiniranje intuitivne realne logike s strojnim učenjem može donijeti značajne operativne i korisničke prednosti. U budućim radovima planiramo proširiti naš model kako bi uključio više karakteristika i poboljšao preciznost predviđanja.

Česta pitanja

Kako model određuje dostupnost punjačkih portova?

Model određuje dostupnost punjačkih portova na temelju trenutnog nivoa zauzetosti portova i vremenskog rasporeda vozača. Koristi linearni regresijski algoritam koji uči iz podataka o zauzetosti portova kako bi predvidio buduću zauzetost.

Može li model biti primijenjen na druge regije?

Da, model je dizajniran tako da se može primijeniti na različite regije. Težine karakteristika koje model uči mogu se prilagoditi različitim vremenskim rasporedima vozača i nivoima zauzetosti portova u različitim regijama.

Koliko je model precizan?

Naš model postiže preciznost od 85% za 30-minutni horizont i 80% za 60-minutni horizont. Preciznost modela može se poboljšati dodavanjem više karakteristika i podataka o zauzetosti portova.

Može li model biti primijenjen na druge vrste vozila?

Model je trenutno dizajniran za električna vozila, ali može se prilagoditi i drugim vrstama vozila koja koriste punjačke stanice. Potrebno je samo prilagoditi model karakteristikama specifičnim za tu vrstu vozila.

Kako se model može poboljšati?

Model se može poboljšati dodavanjem više karakteristika, kao što su vremenske prilike, promet i događaji koji mogu utjecati na zauzetost punjačkih portova. Također se može poboljšati dodavanjem više podataka o zauzetosti portova iz različitih regija i vremenskih perioda.