El miedo a quedarse sin energía sigue siendo lo que frena a muchos potenciales compradores de vehículos eléctricos. Los datos correctos combinados con el aprendizaje automático pueden servir de ayuda.
El año 2030 puede parecer muy lejano, pero la industria automotriz ya lo está planeando. Para cumplir con los objetivos de cero emisiones y la demanda de los consumidores, un porcentaje significativo de los vehículos que se venderán en al mercado serán eléctricos.
Algunos expertos estiman que se venderán hasta 26 millones de vehículos eléctricos para 2030. Cuando compara eso con los 6,6 millones vendidos en 2021, podemos ver que el crecimiento esperado es significativo.
"Ya nos estamos acercando al objetivo en el que el 10 % de todos los vehículos vendidos son vehículos eléctricos", dijo Chris Handley, vicepresidente y jefe de la unidad comercial de HERE.
Sin embargo, los vientos de cola, incluido el aumento del precio de la gasolina en el último año y los mandatos para reducir la cantidad de vehículos con motor de combustión interna (ICE, por sus siglas en inglés) en las carreteras, no son las únicas fuerzas en juego.
Todavía quedan obstáculos si se quieren alcanzar objetivos ambiciosos. No menos importante entre ellos es la necesidad de una mayor infraestructura de carga y la incertidumbre que aún enfrentan muchos consumidores sobre cómo y cuándo cargar su vehículo eléctrico.
 |
| Se necesita una gran inversión en infraestructura de carga para satisfacer la demanda. |
Aprendizaje automático para pronósticos precisos
A medida que mejoran las tasas de adopción de vehículos eléctricos y bajan los precios, es menos probable que los usuarios tengan un punto de carga privado. Esto hace que la necesidad de estaciones de carga sea más crítica de lo que era cuando la propiedad de vehículos eléctricos estaba reservada a una élite.
“Los gobiernos ahora ofrecen créditos fiscales y préstamos para construir la infraestructura que satisfaga esa demanda”, dijo Handley.
No obstante, sigue existiendo un déficit significativo. Incluso con las mejoras previstas en la tecnología de las baterías , los conductores necesitan soluciones que les ayuden con la planificación. Otro factor importante es que muchos puntos de carga están fuera de servicio. En los Estados Unidos, la cifra puede llegar al 20 % en cualquier momento. Sumado a eso, el rango de vehículos eléctricos puede variar según la temperatura, el viento, la superficie de la carretera y otros aspectos.
Para pronosticar el rango con precisión, se requieren conjuntos de datos predictivos. Estos dependen de modelos complejos que utilizan el aprendizaje automático para calcular mejores ETA (autorización de viajes eléctricos, por sus siglas en inglés). En los conjuntos de datos se incluyen los datos básicos de ruta (mapas e información histórica de tráfico), datos del vehículo, como el tipo de vehículo y el rendimiento de la batería, junto con información que incluye la disponibilidad del punto de carga y la membresía de la red de carga.
Estas entradas se agregarán poco a poco a otros datos contextuales que pueden proporcionar una precisión aún mayor, incluido el estilo de conducción, las decisiones anteriores del conductor y la información de calefacción, ventilación y aire acondicionado.
En el reciente seminario web de HERE "Solving EV Challenges with Predictive Machine Learning", el vicepresidente y jefe de la unidad de negocios de HERE, Chris Handley, explicó:
“Cuando nosotros, como industria, comenzamos a crear ecuaciones de enrutamiento básicas, comenzamos con solo un mapa y descubrimos cuál era la distancia más corta. Luego, superpusimos las condiciones de tráfico o las condiciones históricas de tráfico para derivar las ETA. Pero cuando llegamos a la autonomía de los vehículos eléctricos, que es un factor importante a la hora de determinar una ruta, ahora tenemos que analizar varios factores”.
Tanto los datos internos del vehículo como los datos predictivos externos son necesarios para lograr una precisión de rango confiable. A medida que se agreguen más datos, se logrará una precisión cada vez mayor.
Para permitir el aprendizaje automático, HERE, uno de los mayores consumidores de datos de prueba del mundo, ha compilado una biblioteca histórica de viajes anteriores en vehículos eléctricos y les ha aplicado la combinación de mapas . La combinación de varios mapas y conjuntos de datos en uno ofrece una mayor precisión, frescura y velocidad.
El sistema busca factores correlacionados y determina cuál es el escenario probable basándose en esta información mientras protege la privacidad de los conductores individuales. Por ejemplo, podemos usar datos sobre la cantidad de tiempo que las personas suelen esperar en puntos de carga específicos para decirnos cuánto tiempo es probable que las personas tengan que esperar en el futuro. Si los vehículos se detienen regularmente en una estación de carga por un tiempo muy breve, se puede inferir que el cargador no está en condiciones de funcionar. A medida que se agregan diferentes conjuntos de datos, se puede hacer una estimación más precisa sobre la disponibilidad de cada punto de recarga.
Artículo de HERE Technologies traducido por ExtraMile Cloud en España.
Síguenos para estar al día del sector geoespacial y conocernos un poco más puedes en nuetsra Newsletter, Twitter o Linkedin. Podemos asesorarte para lograr la mejor solución adaptada a tu empresa escríbenos a hello@extramc.com.
Comentarios
Publicar un comentario