Google研究团队在替电动汽车驾驶设计充电路线规划时，放弃神经网络与较复杂的模型，改采线性回归预测电动汽车充电桩未来的可用状态。该轻量模型专门处理一个实际问题，也就是从现在起经过一段时间，驾驶抵达特定充电站时，是否有机会找到至少一个可用充电桩，借此降低里程焦虑与现场排队的不确定感。
在电动汽车越来越普及的情况下，单纯扩建实体充电站已不足以消除驾驶的不安，如何在既有充电基础下提高使用效率成为重要议题。Google把充电站资讯直接纳入导航，依据电池电量与目的地安排行程，并通过模型估算短时间内各站可用状态，让系统在建议路线时避开较可能到站没位子的时间与站点。
模型的核心特征是一日其中的小时，系统将每一个小时视为不同特征，由训练过程学得对应权重，反映该时段充电桩占用率的平均变化趋势。权重为正，代表该时段桩位倾向逐渐被占用，可用桩数减少，而权重为负，则代表桩位普遍在发布，接近零则多数情况下状态变化不大，也就是说，模型等于在不同时段学会现在空位数与未来空位数之间的变化率，而非重建完整且复杂的排队行为。
研究人员指出，线性回归模型只会在充电桩变化最明显的时段，才会给出与维持现状（Keep Current State）不同的预测，而不是一律假设未来状态等于现在，主要包含早晚尖峰时段与具备较多桩位的大型站点。尖峰时段的车流与大型站点的进出量都较大，空位数变化更明显，因此系统选择在这些时候更新预测，让结果更贴近驾驶实际会遇到的情况。
模型训练使用来自加州与德国的充电桩即时数据，并在多座站点进行验证。Google以维持现状作为基准，比较线性回归模型在30到60分钟预测时窗内，能否更准确判断驾驶抵达时是否会有至少一个可用充电桩。
实验结果显示，在至少有6个桩位的大型站点，且处于占用变化率最高的时段，例如早上8点与晚上8点，导入线性回归模型后，错误预测比例在早上尖峰约可降低20%，在晚上尖峰约可降低40%，实际减少驾驶在拥挤时段扑空的机率。
本网通过AI自动登载内容，本文转载自MSN，【提供者：十轮网科技资讯 | 作者：佚名】，仅代表原作者个人观点。本站旨在传播优质文章，无商业用途。如不想在本站展示可联系删除。
