我們開發(fā)了一個獨特的模型，用于預測在特定時間內電動汽車充電樁在某個充電站可用的概率，這有助于電動汽車駕駛員高效規(guī)劃行程，同時最大限度地減少在充電站的等待時間。

全球電動汽車（EV）的普及速度正在加快，這帶來了對可靠且強大的充電基礎設施的迫切需求。雖然建設更多物理充電站是重要的一步，但同等重要的任務是最大化這種基礎設施的效率，并減少"里程焦慮"——這是一個用來描述電動汽車駕駛員擔心在到達目的地或最近可用充電站之前電池耗盡的恐懼的術語。這些擔憂促使我們設計了一種電動汽車路徑規(guī)劃方法，通過根據電池電量和目的地將充電站集成到導航路線中來減少里程焦慮。

本周我們發(fā)布了一個新的輕量級、高效預測模型，能夠回答核心問題："從現(xiàn)在開始的特定分鐘數(shù)內，電動汽車充電樁在特定充電站可用的概率是多少？"我們發(fā)現(xiàn)，最復雜的模型并不總是最佳解決方案。通過協(xié)同設計模型和部署基礎設施，我們能夠創(chuàng)建一個基于簡單線性回歸方法的高效預測系統(tǒng)。這個模型的簡單性就是它的優(yōu)勢，允許它依賴于容易獲取的特征，同時仍然能夠在強基準線上實現(xiàn)性能改進。我們的工作證明，將直觀的現(xiàn)實世界邏輯與機器學習相結合可以帶來顯著的運營和用戶體驗效益。

模型設計與優(yōu)化

我們的目標是在最小化特征集（即模型用來進行預測的具體、可測量的數(shù)據點）的同時最大化預測能力，以確保速度和低延遲部署。在測試了各種架構，包括決策樹和簡單神經網絡后，我們發(fā)現(xiàn)直接的線性回歸模型對于這個特定任務來說是最高效和最穩(wěn)健的。

我們使用來自充電網絡的實時可用性數(shù)據訓練模型，通過模型特征和權重標準計算從當前觀測時間開始特定分鐘數(shù)內的真實可用充電樁數(shù)量。我們從兩個不同地區(qū)（加利福尼亞和德國）均勻采樣充電樁。較大的充電站更可能被包含在訓練集中，因為它們比孤立的充電樁看到更多的流量，更貼近現(xiàn)實世界的使用情況。

該模型使用一天中的小時作為關鍵信息（一個"特征"）。它將每個小時（或小時范圍）分別對待。例如，"上午9點"是一個特征，"下午5點"是另一個特征。

"權重"是線性回歸算法在訓練期間學習的具體數(shù)值。這些數(shù)字決定了一天中每個特定小時對最終預測的影響程度。

這些"小時特征權重"是模型學習的系數(shù)，量化了一天中每個小時電動汽車充電樁占用率變化的可預測率。本質上，模型學會將當前可用充電樁數(shù)量與未來可用充電樁數(shù)量之間的差異表達為小時特征權重的函數(shù)。

為一天中每個小時學習的特征權重特別有洞察力，因為它們直接代表了充電樁占用率的變化率。如下圖所示，有明顯的、與駕駛員時間安排相關的可預測趨勢。

注意，只有當變化率顯著（例如高峰時間）或充電站較大（更多充電樁放大預測變化）時，模型才與當前狀態(tài)不同，這在直覺上是發(fā)出更新預測的正確時機。

模型評估與性能表現(xiàn)

我們的評估設計嚴格且具有現(xiàn)實世界使用的代表性。對于30分鐘和60分鐘的時間范圍，我們對100個隨機選擇的充電站進行了預測評估，每天48次（每30分鐘一次）采樣其占用狀態(tài)，持續(xù)一整周。

該模型與一個非常強的基準線進行比較：保持當前狀態(tài)方法。這個基準線簡單地假設未來特定分鐘數(shù)內的可用充電樁數(shù)量與當前數(shù)量完全相同。

雖然簡單，但這個基準線很難被擊敗，特別是在短時間范圍內。例如，我們的數(shù)據顯示，在美國東海岸，在30分鐘內從未有超過10%的充電樁改變其可用狀態(tài)。由于大部分時間狀態(tài)不變，最簡單的預測——無變化——在大多數(shù)時候都是正確的，這使得增加預測價值的任務極其困難。

我們專注于兩個關鍵指標來衡量模型預測確切可用充電樁數(shù)量的準確性：均方誤差（MSE）和平均絕對誤差（MAE）。MSE/MAE ≥ 1個可用充電樁的比率衡量了用戶最關鍵的二元任務的準確性："我會找到至少一個可用充電樁嗎（是/否）？"

評估結果證實，線性回歸模型在強大的保持當前狀態(tài)基準線上提供了關鍵優(yōu)勢，主要是通過正確識別不頻繁但至關重要的高占用率周轉時刻。

我們從至少有6個充電樁的充電站中采樣測試實例，時間范圍為30到60分鐘，這是城市環(huán)境中充電的現(xiàn)實情況。我們評估了模型預測充電站至少有一個充電樁可用的任務。這個評估重點關注了模型與基準線不同的充電站概況和一天中的時間，即在顯著變化率時間的大型充電站。

下表顯示了我們在變化率最高的時間（上午8點和晚上8點）提供錯誤預測的時間比例（這等同于此問題的MAE）。

總之，部署回歸模型使我們能夠在早高峰時間將錯誤預測數(shù)量減少約20%，在晚高峰時間減少約40%。

區(qū)域化模型優(yōu)勢

進一步檢查顯示，雖然變化率曲線的形狀（充電樁何時被占用與何時空出）在不同地區(qū)相似，但變化的幅度足夠不同，需要單獨的模型。例如，為加利福尼亞和德國等地區(qū)分別訓練模型比將所有數(shù)據合并在一起產生了更好的性能，這表明有必要考慮獨特的區(qū)域電動汽車使用模式。

我們成功開發(fā)和部署了一個輕量級的線性回歸模型，有效預測電動汽車充電樁可用性。通過專注于簡潔性、速度，以及與現(xiàn)有基礎設施協(xié)同設計模型，我們繞過了與更詳細但往往無法擴展的方法相關的復雜性和延遲。

所產生的模型相對于強大的保持當前狀態(tài)基準線提供了關鍵的預測優(yōu)勢，特別是在高流量時期。這種能力直接轉化為改善的用戶體驗：減少焦慮、更明智的路徑決策，以及支持電動出行持續(xù)增長的更好的整體體驗。未來的工作將專注于擴展預測范圍，為長途旅行規(guī)劃提供更大的價值。

Q&A

Q1：電動汽車里程焦慮是什么？為什么需要解決這個問題？

A：里程焦慮是指電動汽車駕駛員擔心在到達目的地或最近可用充電站之前電池耗盡的恐懼。隨著全球電動汽車普及速度加快，解決這個問題對建設可靠充電基礎設施和提升用戶體驗至關重要。

Q2：這個AI預測模型是如何工作的？

A：該模型使用簡單的線性回歸方法，以一天中的小時作為關鍵特征，學習每個小時充電樁占用率的變化模式。它通過分析歷史數(shù)據中的可預測趨勢，能夠預測特定時間內充電樁的可用概率，幫助駕駛員更好地規(guī)劃充電行程。

Q3：這個模型的預測準確性如何？有什么實際效果？

A：模型在高峰時間表現(xiàn)出色，能夠在早高峰時間將錯誤預測數(shù)量減少約20%，在晚高峰時間減少約40%。這直接改善了用戶體驗，減少了等待時間，并支持更智能的路徑決策，從而緩解了里程焦慮。