我们开发了一个独特的模型，用于预测在特定时间内电动汽车充电桩在某个充电站可用的概率，这有助于电动汽车驾驶员高效规划行程，同时最大限度地减少在充电站的等待时间。
全球电动汽车（EV）的普及速度正在加快，这带来了对可靠且强大的充电基础设施的迫切需求。虽然建设更多物理充电站是重要的一步，但同等重要的任务是最大化这种基础设施的效率，并减少"里程焦虑"——这是一个用来描述电动汽车驾驶员担心在到达目的地或最近可用充电站之前电池耗尽的恐惧的术语。这些担忧促使我们设计了一种电动汽车路径规划方法，通过根据电池电量和目的地将充电站集成到导航路线中来减少里程焦虑。
本周我们发布了一个新的轻量级、高效预测模型，能够回答核心问题："从现在开始的特定分钟数内，电动汽车充电桩在特定充电站可用的概率是多少？"我们发现，最复杂的模型并不总是最佳解决方案。通过协同设计模型和部署基础设施，我们能够创建一个基于简单线性回归方法的高效预测系统。这个模型的简单性就是它的优势，允许它依赖于容易获取的特征，同时仍然能够在强基准线上实现性能改进。我们的工作证明，将直观的现实世界逻辑与机器学习相结合可以带来显著的运营和用户体验效益。
展开剩余78%模型设计与优化
我们的目标是在最小化特征集（即模型用来进行预测的具体、可测量的数据点）的同时最大化预测能力，以确保速度和低延迟部署。在测试了各种架构，包括决策树和简单神经网络后，我们发现直接的线性回归模型对于这个特定任务来说是最高效和最稳健的。
我们使用来自充电网络的实时可用性数据训练模型，通过模型特征和权重标准计算从当前观测时间开始特定分钟数内的真实可用充电桩数量。我们从两个不同地区（加利福尼亚和德国）均匀采样充电桩。较大的充电站更可能被包含在训练集中，因为它们比孤立的充电桩看到更多的流量，更贴近现实世界的使用情况。
该模型使用一天中的小时作为关键信息（一个"特征"）。它将每个小时（或小时范围）分别对待。例如，"上午9点"是一个特征，"下午5点"是另一个特征。
"权重"是线性回归算法在训练期间学习的具体数值。这些数字决定了一天中每个特定小时对最终预测的影响程度。
这些"小时特征权重"是模型学习的系数，量化了一天中每个小时电动汽车充电桩占用率变化的可预测率。本质上，模型学会将当前可用充电桩数量与未来可用充电桩数量之间的差异表达为小时特征权重的函数。
为一天中每个小时学习的特征权重特别有洞察力，因为它们直接代表了充电桩占用率的变化率。如下图所示，有明显的、与驾驶员时间安排相关的可预测趋势。
注意，只有当变化率显著（例如高峰时间）或充电站较大（更多充电桩放大预测变化）时，模型才与当前状态不同，这在直觉上是发出更新预测的正确时机。
模型评估与性能表现
我们的评估设计严格且具有现实世界使用的代表性。对于30分钟和60分钟的时间范围，我们对100个随机选择的充电站进行了预测评估，每天48次（每30分钟一次）采样其占用状态，持续一整周。
该模型与一个非常强的基准线进行比较：保持当前状态方法。这个基准线简单地假设未来特定分钟数内的可用充电桩数量与当前数量完全相同。
虽然简单，但这个基准线很难被击败，特别是在短时间范围内。例如，我们的数据显示，在美国东海岸，在30分钟内从未有超过10%的充电桩改变其可用状态。由于大部分时间状态不变，最简单的预测——无变化——在大多数时候都是正确的，这使得增加预测价值的任务极其困难。
我们专注于两个关键指标来衡量模型预测确切可用充电桩数量的准确性：均方误差（MSE）和平均绝对误差（MAE）。MSE/MAE ≥ 1个可用充电桩的比率衡量了用户最关键的二元任务的准确性："我会找到至少一个可用充电桩吗（是/否）？"
评估结果证实，线性回归模型在强大的保持当前状态基准线上提供了关键优势，主要是通过正确识别不频繁但至关重要的高占用率周转时刻。
我们从至少有6个充电桩的充电站中采样测试实例，时间范围为30到60分钟，这是城市环境中充电的现实情况。我们评估了模型预测充电站至少有一个充电桩可用的任务。这个评估重点关注了模型与基准线不同的充电站概况和一天中的时间，即在显著变化率时间的大型充电站。
下表显示了我们在变化率最高的时间（上午8点和晚上8点）提供错误预测的时间比例（这等同于此问题的MAE）。
总之，部署回归模型使我们能够在早高峰时间将错误预测数量减少约20%，在晚高峰时间减少约40%。
区域化模型优势
进一步检查显示，虽然变化率曲线的形状（充电桩何时被占用与何时空出）在不同地区相似，但变化的幅度足够不同，需要单独的模型。例如，为加利福尼亚和德国等地区分别训练模型比将所有数据合并在一起产生了更好的性能，这表明有必要考虑独特的区域电动汽车使用模式。
我们成功开发和部署了一个轻量级的线性回归模型，有效预测电动汽车充电桩可用性。通过专注于简洁性、速度，以及与现有基础设施协同设计模型，我们绕过了与更详细但往往无法扩展的方法相关的复杂性和延迟。
所产生的模型相对于强大的保持当前状态基准线提供了关键的预测优势，特别是在高流量时期。这种能力直接转化为改善的用户体验：减少焦虑、更明智的路径决策，以及支持电动出行持续增长的更好的整体体验。未来的工作将专注于扩展预测范围，为长途旅行规划提供更大的价值。
Q&A
Q1：电动汽车里程焦虑是什么？为什么需要解决这个问题？
A：里程焦虑是指电动汽车驾驶员担心在到达目的地或最近可用充电站之前电池耗尽的恐惧。随着全球电动汽车普及速度加快，解决这个问题对建设可靠充电基础设施和提升用户体验至关重要。
Q2：这个AI预测模型是如何工作的？
A：该模型使用简单的线性回归方法，以一天中的小时作为关键特征，学习每个小时充电桩占用率的变化模式。它通过分析历史数据中的可预测趋势，能够预测特定时间内充电桩的可用概率，帮助驾驶员更好地规划充电行程。
Q3：这个模型的预测准确性如何？有什么实际效果？
A：模型在高峰时间表现出色，能够在早高峰时间将错误预测数量减少约20%，在晚高峰时间减少约40%。这直接改善了用户体验，减少了等待时间，并支持更智能的路径决策，从而缓解了里程焦虑。
发布于：北京市道正网提示：文章来自网络，不代表本站观点。
