Električna vozila sve brže zamjenjuju tradicionalne automobile, a s tim trendom raste i zabrinutost vozača – tjeskoba zbog dosega. Riječ je o strahu da se baterija isprazni prije nego što se nađe slobodan punjač. Iako je izgradnja novih punionica nužna, sama po sebi ne rješava problem. Ključno je učiniti postojeću mrežu što učinkovitijom. Nedavno istraživanje Googleovog odjela za istraživanje predložilo je sustav koji, nekoliko minuta unaprijed, predviđa hoće li određeni priključak na odabranoj stanici biti slobodan. Takvo predviđanje omogućuje vozačima da planiraju rutu i odabir mjesta za parkiranje s većim povjerenjem.
Jednostavnost modela – ključ uspjeha
Tim istraživača započeo je postavljanjem jednostavnog pitanja: koji model može dati točne prognoze, a da pritom ne opterećuje sustav? Testirali su razne metode – odlučivačka stabla, plitke neuronske mreže i druge regresijske tehnike – i sve su došle do istog zaključka. Ponekad složeniji model troši više resursa, a ne donosi proporcionalno bolje rezultate. U ovom slučaju najprikladniji pokazao se obični linearni regresijski model, koji je pružio najbolju ravnotežu između brzine, memorijske potrošnje i prediktivne točnosti.
Važan faktor bio je bliska povezanost dizajna modela i infrastrukture na kojoj se izvršava. Ograničavanjem skupa značajki na nekoliko lako dostupnih podataka, tim je osigurao da se prognoze mogu izračunati na uređaju s niskom latencijom ili u laganoj cloud-funkciji, uz minimalne troškove.
Vrijeme dana – najvažniji pokazatelj
Analiza podataka pokazala je da je najinformativniji faktor upravo vrijeme dana. Svaki sat, a ponekad i raspon sati, tretira se kao zasebna značajka. Tijekom vršnih sati putovanja, na primjer, vjerojatnost da će priključak biti zauzet raste, dok noću raste šansa da će biti slobodan. Koeficijenti regresije povezani s pojedinim satima odražavaju ove dinamike: negativne vrijednosti označavaju sate kada se priključci najčešće oslobađaju, a pozitivne – vrijeme veće potražnje i gužve.
Ovaj pristup omogućuje modelu da jednostavno, ali učinkovito, predvidi promjene u zauzetosti punjača, što je od iznimne važnosti za vozače koji planiraju duže putovanje.
Kako sustav funkcionira u praksi
U nastavku je opisano kako se predviđanje integrira u svakodnevni život vozača električnih automobila:
- Prikupljanje podataka: aplikacija na pametnom telefonu ili u vozilu prikuplja informacije o trenutnom vremenu, lokaciji i prethodnim obrascima korištenja punjača.
- Izračun predviđanja: na temelju tih podataka linearni model izračunava vjerojatnost da će određeni priključak biti slobodan za 5–10 minuta.
- Prikaz vozaču: rezultat se prikazuje u aplikaciji uz preporuku najpovoljnijeg mjesta za zaustavljanje.
- Ažuriranje: model se kontinuirano ažurira novim podacima, čime se poboljšava točnost prognoza.
Ovakav sustav ne zahtijeva skupe servere niti kompleksne algorit