捨棄神經網路，Google改用線性迴歸精準預測電動車充電樁狀態

Google研究團隊在替電動車駕駛設計充電路線規畫時，放棄神經網路與較複雜的模型，改採線性迴歸預測電動車充電樁未來的可用狀態。該輕量模型專門處理一個實際問題，也就是從現在起經過一段時間，駕駛抵達特定充電站時，是否有機會找到至少一個可用充電樁，藉此降低里程焦慮與現場排隊的不確定感。

在電動車愈來愈普及的情況下，單純擴建實體充電站已不足以消除駕駛的不安，如何在既有充電基礎下提高使用效率成為重要議題。Google把充電站資訊直接納入導航，依據電池電量與目的地安排行程，並透過模型估算短時間內各站可用狀態，讓系統在建議路線時避開較可能到站沒位子的時間與站點。

模型的核心特徵是一日當中的小時，系統將每一個小時視為不同特徵，由訓練過程學得對應權重，反映該時段充電樁占用率的平均變化趨勢。權重為正，代表該時段樁位傾向逐漸被占用，可用樁數減少，而權重為負，則代表樁位普遍在釋出，接近零則多數情況下狀態變化不大，也就是說，模型等於在不同時段學會現在空位數與未來空位數之間的變化率，而非重建完整且複雜的排隊行為。

研究人員指出，線性迴歸模型只會在充電樁變化最明顯的時段，才會給出與維持現狀（Keep Current State）不同的預測，而不是一律假設未來狀態等於現在，主要包含早晚尖峰時段與具備較多樁位的大型站點。尖峰時段的車流與大型站點的進出量都較大，空位數變化更明顯，因此系統選擇在這些時候更新預測，讓結果更貼近駕駛實際會遇到的情況。

模型訓練使用來自加州與德國的充電樁即時資料，並在多座站點進行驗證。Google以維持現狀作為基準，比較線性迴歸模型在30到60分鐘預測時窗內，能否更準確判斷駕駛抵達時是否會有至少一個可用充電樁。

實驗結果顯示，在至少有6個樁位的大型站點，且處於占用變化率最高的時段，例如早上8點與晚上8點，導入線性迴歸模型後，錯誤預測比例在早上尖峰約可降低20％，在晚上尖峰約可降低40％，實際減少駕駛在擁擠時段撲空的機率。

在模型選擇上，研究團隊曾測試決策樹與簡單神經網路等架構，但在實際部署與延遲要求的限制下，線性回歸反而成為較合適的選項。該模型特徵數量少，推論速度快，方便於在大規模充電網路上穩定執行，同時在多數關鍵情境仍能優於強度不低的基準模型。