EV充電器の空き状況は、現在の状態に時刻別の変化を加える単純なモデルでも予測を改善できる。Googleは線形回帰モデルを導入し、6ポート以上の拠点を対象とした評価で、現状が続くと仮定する方式より朝夕ピーク時の予測誤りを減らした。
時刻別の重みで空きポート数の変化を推定
Googleが開発・導入した予測モデルは、EV充電拠点の現在と将来の空きポート数の差を線形回帰で表す。時刻ごとに学習した重みを使い、何分後に空き状況がどう変わるかを推定する。
この重みは、ポートの占有状況が変わる速さに対応する。正の重みは占有が増える方向、負の重みは空きが増える方向を示し、ゼロに近ければ状況の変化が小さいことを表す。
変化が小さい時間帯には現状維持が強い比較対象
比較対象は、将来も現在と同じ数のポートが空いていると仮定する方式だ。Googleが示した米国東海岸のデータでは、30分間に空き状況が変わるポートは最大でも10%であり、変化しないと予測するだけでも多くの場合に当たる。
線形回帰モデルが現状と異なる予測を出すのは、占有状況の変化率が大きい時間帯や、ポート数が多く変化の影響が増幅される拠点だ。現在の状態からの補正は、こうした条件で生じる。
6ポート以上の拠点で朝夕の予測誤りを削減
Googleは、無作為に選んだ100拠点で占有状況を1週間、毎日30分間隔で48回調べ、30分先と60分先の予測を評価した。空きポートが少なくとも一つあるかを判定する比較では、6ポート以上の拠点を対象とし、変化の大きい午前8時と午後8時に着目した。
この条件で30~60分先を予測すると、現状維持方式に対する予測誤りの削減率は午前8時に約20%、午後8時に約40%だった。これは、少なくとも1ポートが空いているかという二択の判定における結果である。
地域ごとの変化量に合わせてモデルを分ける
学習には、カリフォルニア州とドイツから充電ポートを一様に抽出したデータを使った。抽出単位がポートであるため、ポート数の多い拠点ほど学習対象に含まれやすい。
Googleの比較では、占有状況の変化率は地域間で似た曲線を描いた一方、変化の大きさは異なった。両地域のデータをまとめるより、地域ごとにモデルを学習する方が予測性能は良かった。