Уменьшить тревожность по поводу запаса хода электромобиля: прогнозирование доступности портов

Мы разработали уникальную модель для прогнозирования вероятности того, что зарядный порт для электромобиля будет свободен на определенной станции в течение определенного количества минут с текущего момента времени. Это помогает водителям электромобилей эффективно планировать свои поездки, минимизируя время ожидания на зарядных станциях.

Быстрые ссылки

• Статья в блоге о ключевых словах
• Делиться
  • Скопировать ссылку ×

Переход на электромобили (EV) ускоряется во всем мире, что обуславливает острую необходимость в надежной и устойчивой зарядной инфраструктуре. Хотя создание большего количества физических зарядных станций является важным шагом, не менее важной задачей является максимизация эффективности этой инфраструктуры и минимизация «боязни запаса хода» — термина, используемого для описания опасений водителя электромобиля, что батарея разрядится до того, как он доберется до места назначения или ближайшей доступной зарядной станции. Эти опасения побудили нас разработать подход к планированию маршрута для электромобилей, который снижает «боязнь запаса хода» за счет интеграции зарядных станций в навигационный маршрут на основе уровня заряда батареи и пункта назначения.

На этой неделе мы анонсировали новую легковесную, высокоэффективную модель прогнозирования, способную ответить на ключевой вопрос: « Какова вероятность того, что зарядный порт для электромобиля будет доступен на конкретной станции через определенное количество минут? » Мы обнаружили, что самая сложная модель не всегда является лучшим решением. Благодаря совместной разработке модели и инфраструктуры развертывания нам удалось создать высокоэффективную систему прогнозирования, основанную на простом подходе линейной регрессии. Простота этой модели — ее сильная сторона, позволяющая использовать легкодоступные функции, при этом обеспечивая повышение производительности по сравнению с надежным базовым вариантом. Наша работа демонстрирует, что сочетание интуитивно понятной логики реального мира с машинным обучением может обеспечить значительные преимущества в работе и удобстве использования.

Создание модели

Наша цель заключалась в максимизации прогностической способности при минимизации набора признаков (т.е. конкретных измеримых точек данных, используемых моделью для прогнозирования), чтобы обеспечить скорость и низкую задержку развертывания. После тестирования различных архитектур, включая дерево решений и простую нейронную сеть, прямолинейная модель линейной регрессии оказалась наиболее производительной и надежной для этой конкретной задачи.

Мы обучили модель, используя данные о доступности зарядных станций в режиме реального времени, чтобы рассчитать истинное количество доступных зарядных портов в течение определенного количества минут с момента текущего наблюдения, используя критерии для характеристик и весов модели. Мы равномерно отобрали порты из двух разных регионов (Канада и Германия). Более крупные станции с большей вероятностью попадали в обучающий набор, поскольку они обслуживают большее количество пользователей, чем изолированные порты, и более точно отражают реальное использование.

Функции

Модель использует время суток в качестве ключевого элемента информации («признака»). Она обрабатывает каждый час (или диапазон часов) отдельно. Например, «9 утра» — это один признак, а «5 вечера» — другой.

Веса

«Весы» — это конкретные числовые значения, которые алгоритм линейной регрессии изучает в процессе обучения. Эти числа определяют, насколько каждый конкретный час дня влияет на итоговый прогноз.

• Положительный вес означает, что в течение этого часа (например, 7:00 утра) порты, как правило, загружены (загрузка увеличивается).
• Отрицательный вес означает, что в течение этого часа (например, в 17:00) порты, как правило, освобождаются (загрузка снижается).
• Нулевой или близкий к нулевому вес означает, что в течение этого часа (например, в 3:00 утра) статус порта практически не меняется.

Эти «почасовые весовые коэффициенты» представляют собой коэффициенты, полученные моделью, которые количественно определяют прогнозируемую скорость изменения загрузки портов для электромобилей в каждый час суток. По сути, модель учится выражать разницу между текущим количеством доступных портов и будущим количеством доступных портов как функцию почасовых весовых коэффициентов.

Весовые коэффициенты признаков, полученные для каждого часа суток, особенно информативны, поскольку они напрямую отражают скорость изменения загрузки порта. Как показано на диаграмме ниже, существуют четкие, предсказуемые тенденции, связанные с графиками работы водителей:

Весовые коэффициенты для каждого часа в 30-минутном горизонте. Они соответствуют скорости изменения загрузки порта в каждом 30-минутном интервале.

Весовые коэффициенты для каждого часа в 60-минутном горизонте. Они соответствуют скорости изменения загрузки порта в каждом 60-минутном интервале.

Следует отметить, что модель отличает текущее состояние от текущего только тогда, когда скорость изменений значительна (например, в час пик) или станция большая (большее количество портов усиливает прогнозируемое изменение), что интуитивно является правильным временем для выпуска обновленного прогноза.

Эксперименты

Наша оценка была разработана таким образом, чтобы быть строгой и репрезентативной для реального использования. Для 30-минутного и 60-минутного временных горизонтов мы оценивали прогнозы на 100 случайно выбранных станциях, отбирая данные об их занятости 48 раз в день (каждые 30 минут) в течение целой недели.

Модель была протестирована на удивительно надежном базовом уровне: подходе «Сохранение текущего состояния». Этот базовый уровень просто предполагает, что количество доступных портов через определенное количество минут ( H ) будет точно таким же, как и текущее.

Несмотря на свою простоту, этот базовый показатель очень сложно превзойти, особенно на коротких временных горизонтах. Например, наши данные показали, что на восточном побережье США не более 10% портов меняют свое состояние доступности в течение 30-минутного интервала. Поскольку большую часть времени состояние не меняется, простейший прогноз — отсутствие изменений — в большинстве случаев оказывается верным, что делает задачу повышения прогностической ценности чрезвычайно сложной.

Для оценки точности модели в прогнозировании точного количества свободных портов мы сосредоточились на двух ключевых показателях: среднеквадратичной ошибке (MSE) и средней абсолютной ошибке (MAE). Отношение MSE/MAE ≥ 1 свободный порт измеряет точность решения наиболее важной для пользователя бинарной задачи: «Найду ли я хотя бы один свободный порт (Да/Нет)?»

Результаты

Оценка подтвердила, что модель линейной регрессии обеспечивает существенные преимущества по сравнению с надежным базовым вариантом «Сохранение текущего состояния», главным образом за счет правильного определения редких, но важных моментов высокой загрузки.

Мы отобрали тестовые примеры из числа станций, имеющих не менее 6 портов с горизонтом планирования от 30 до 60 минут, что представляет собой реалистичный набор ситуаций для зарядки в городских условиях. Мы оценили модель для задачи прогнозирования наличия хотя бы одного порта на станции. Эта оценка была сосредоточена на профиле станции и времени суток, когда модель отличалась бы от базовой, а именно, на крупных станциях в периоды значительных изменений.

В таблице ниже представлена доля времени, в течение которого мы даем неверный прогноз (что эквивалентно средней абсолютной ошибке для данной задачи), для времени наибольшего изменения (8:00 и 20:00).

Сравнение частоты ошибок при наличии хотя бы одного свободного порта (30-60-минутный горизонт).

В итоге, использование регрессионной модели позволяет нам сократить количество неверных прогнозов примерно на 20% в утренние часы пик и примерно на 40% в вечерние часы пик.

Региональные различия

Дальнейшие исследования показали, что, хотя форма кривой изменения скорости (когда порты заполняются и когда они опустошаются) схожа в разных регионах, величина изменений достаточно различна, чтобы оправдать использование отдельных моделей. Например, обучение модели отдельно для таких регионов, как Калифорния и Германия, показало лучшие результаты, чем объединение всех данных, что говорит о необходимости учета уникальных региональных моделей использования электромобилей.

Заключение

Мы успешно разработали и внедрили облегченную модель линейной регрессии, которая эффективно прогнозирует доступность зарядных портов для электромобилей. Сосредоточившись на простоте, скорости и совместной разработке модели с существующей инфраструктурой, мы обошли сложность и задержки, связанные с более сложными, но часто не масштабируемыми подходами.

Полученная модель обеспечивает существенное преимущество в прогнозировании по сравнению с надежной базовой моделью «Сохранение текущего состояния», особенно в периоды высокой загруженности. Эта возможность напрямую приводит к улучшению пользовательского опыта: снижению тревожности, более разумным решениям по маршрутизации и улучшению общего впечатления, что способствует дальнейшему развитию электромобильности. Дальнейшая работа будет сосредоточена на расширении горизонтов прогнозирования для обеспечения еще большей ценности при планировании поездок на дальние расстояния.

Благодарности

Мы благодарим наших сотрудников Ачира Рамадана, Шриниваса Голлапуди, Шубхама Гупту, Илью Эйзермана и Ивана Кузнецова.

Источник: research.google