సరళమైన అంచనా నమూనాతో ఈవీ ఛార్జింగ్ సామర్థ్యాన్ని పెంచనున్న గూగుల్

రాబోయే కొన్ని నిమిషాలలో ఒక నిర్ణీత కేంద్రంలో విద్యుత్ వాహనం (ఈవీ) ఛార్జింగ్ స్థలం అందుబాటులో ఉండే సంభావ్యతను అంచనా వేయడానికి గూగుల్ పరిశోధనా విభాగం ఒక తేలికపాటి కృత్రిమ మేధస్సు (కేఎం) నమూనాను అభివృద్ధి చేసినట్లు ప్రకటించింది. ఈ నమూనాను ఈవీ వాడేవారిలో ఉన్న 'దూర భయం' (ఛార్జింగ్ కేంద్రానికి చేరేలోపే బ్యాటరీ అయిపోతుందనే భయం) ను తగ్గించడానికి, ప్రపంచ ఛార్జింగ్ మౌలిక వసతుల సామర్థ్యాన్ని మెరుగుపరచడానికి రూపకల్పన చేశారు. ఈ భయం ఈవీల వినియోగానికి ప్రధాన అడ్డంకిగా కొనసాగుతోంది. భౌతిక ఛార్జింగ్ కేంద్రాల విస్తరణ జరుగుతున్నప్పటికీ, వాహనం నడిపే అనుభవాన్ని మెరుగుపరచడానికి ఇప్పటికే ఉన్న మౌలిక వసతులను తెలివిగా ఉపయోగించడం కూడా అంతే ముఖ్యమని భావించారు. ఈ ప్రయత్నంలో భాగంగా, భవిష్యత్తులో స్థలం లభ్యతను అంచనా వేయడానికి గూగుల్ ఈ కొత్త నమూనా సృష్టించబడింది, తద్వారా ఈవీ ప్రయాణ ప్రణాళికను (రూటింగ్‌ను) మరింత విశ్వసనీయంగా తయారు చేయవచ్చు.

గూగుల్ పరిశోధన ప్రకారం, నిర్ణాయక వృక్షాలు (డెసిషన్ ట్రీలు), న్యూరల్ నెట్‌వర్క్‌లు వంటి అనేక నిర్మాణాలను పరీక్షించిన తర్వాత, ఈ నమూనాను ఒక సరళమైన సరళ ప్రతిగమనము (లీనియర్ రిగ్రెషన్) పద్ధతిని ఉపయోగించి అభివృద్ధి చేశారు. మరింత సంక్లిష్టమైన నమూనాలు ఉన్నప్పటికీ, ఈ సరళ నమూనానే తక్కువ జాప్యం, అధిక దృఢత్వం, నమ్మదగిన పనితీరును అందిస్తూ అత్యంత ప్రభావవంతంగా ఉన్నట్లు కనుగొనబడింది. ఈ పద్ధతి వాస్తవ ప్రపంచంలో అమలు చేయడానికి గూగుల్ విస్తరణ మౌలిక వసతులతో కలిసి రూపొందించబడింది, తద్వారా అమలు సులభమైంది.

ఈ నమూనాకు రోజులోని గంట ను ప్రాథమిక లక్షణంగా (ఫీచర్‌గా) ఉపయోగించారు. ప్రతి గంట ఛార్జింగ్ కార్యకలాపానికి ఒక ప్రత్యేక సూచికగా పరిగణించబడింది, ఇది నమూనాను స్పష్టమైన వినియోగ నమూనాలను నేర్చుకోవడానికి వీలు కల్పించింది. ఈ నమూనా నేర్చుకున్న గుణకాలు, లేదా "భారాలు" (వెయిట్స్), స్థలం ఆక్రమణ సాధారణంగా ఎలా మారుతుందో సూచించాయి. స్థలాలు నిండే సమయాలను ధనాత్మక భారాలు సూచించగా, స్థలాలు ఖాళీ అయ్యే సమయాలను ఋణాత్మక భారాలు చూపించాయి. కాలిఫోర్నియా, జర్మనీలోని ఈవీ ఛార్జింగ్ వ్యవస్థల నుండి నిజ-సమయ లభ్యత దత్తాంశాన్ని (డేటాను) ఉపయోగించి శిక్షణ జరిగింది. పెద్ద కేంద్రాలు అధిక వాహనాల రాకపోకలను, మరింత వాస్తవిక ఛార్జింగ్ ప్రవర్తనను ప్రతిబింబిస్తున్నందున, వాటిని తరచుగా నమూనాగా తీసుకున్నారు. 30 లేదా 60 నిమిషాల వంటి తక్కువ సమయ పరిధులకు లభ్యతను అంచనా వేయడానికి ఈ నమూనా నిర్మించబడింది.

పనితీరును అంచనా వేయడానికి, 100 కేంద్రాల నుండి దత్తాంశాన్ని ఉపయోగించారు, ఒక పూర్తి వారంలో ప్రతి రోజు 48 సార్లు ఆక్రమణను నమూనాగా తీసుకున్నారు. స్థలం స్థితిలో ఎటువంటి మార్పు ఉండదని భావించిన బలమైన మూలరేఖ (బేస్‌లైన్) తో ఈ నమూనాను పోల్చారు. "ప్రస్తుత స్థితిని కొనసాగించు" అని పిలువబడే ఈ మూలరేఖ పద్ధతిని అధిగమించడం కష్టంగా ఉండేది, ఎందుకంటే తక్కువ సమయ వ్యవధిలో స్థల లభ్యత తరచుగా మారదు. అయినప్పటికీ, గూగుల్ నమూనా ముఖ్యమైన మెరుగుదలలను అందించింది. ఉదయం 8 గంటలు, రాత్రి 8 గంటల వంటి అధిక రాకపోకల సమయాల్లో, తప్పు అంచనాల సంఖ్య వరుసగా సుమారు 20 శాతం, 40 శాతం తగ్గింది. పెద్ద కేంద్రాలలో, స్థలం ఆక్రమణ ఎక్కువ మారే గంటలలో ఈ లాభాలు ముఖ్యంగా గణనీయంగా ఉన్నాయి.

మరింత విశ్లేషణ ప్రకారం, నమూనా ప్రభావం ప్రాంతాల వారీగా మారుతూ ఉంటుంది. వినియోగ నమూనాలు మార్కెట్ల అంతటా సారూప్య దైనందిన ఆకృతులను అనుసరించినప్పటికీ, మార్పుల తీవ్రత భిన్నంగా ఉంది. అందువల్ల, కాలిఫోర్నియా, జర్మనీ కోసం వేర్వేరు నమూనాలు కలిపిన నమూనా కంటే మెరుగైన ఫలితాలను ఇచ్చాయి, ఇది శిక్షణ సమయంలో ప్రాంతీయ ఈవీ ప్రవర్తనను పరిగణనలోకి తీసుకోవాలని సూచిస్తుంది.

ఈ నమూనా సరళత కారణంగా దానిని త్వరగా, సమర్థవంతంగా అమలు చేయవచ్చని, ఈవీ మార్గదర్శకత్వాన్ని మెరుగుపరచవచ్చని, వాహనం నడిపేవారికి మరింత విశ్వసనీయ సమాచారాన్ని అందించవచ్చని గూగుల్ తెలిపింది. ఈ అంచనా వ్యవస్థ కేంద్రాల వద్ద వేచి ఉండే సమయాన్ని తగ్గించడానికి, ప్రయాణ సమయంలో అనిశ్చితిని తగ్గించడానికి, విస్తృత ఈవీ వినియోగానికి మద్దతు ఇవ్వడానికి సామర్థ్యాన్ని కలిగి ఉందని ఆ సంస్థ జోడించింది. భవిష్యత్తులో సుదూర ప్రయాణం చేసేవారికి సహాయం చేయడానికి అంచనా పరిధులను విస్తరించడంపై మరింత పరిశోధన జరుగుతుందని భావిస్తున్నారు.