都市型EV充電需要を高精度で予測するAIモデル
電動車（EV）の普及が加速する中、都市のインフラに新たな課題が浮上している。それは、単に充電スポットを増やすことではなく、その「需要」を正確に予測し、電力網の安定を守ることだ。EVの保有台数が急増する一方で、一斉充電によるピーク負荷は電力系統に深刻な負担をかけ、停電リスクを高めている。この複雑な課題に、新たな解決策が登場した。エネルギー・データサイエンス研究所のエヴリン・チャン博士らの研究チームが開発したAIモデルは、都市内の複数の充電ステーションの需要を、驚異的な精度で予測することに成功した。その研究成果は、学術誌『Nature Energy Intelligence』に掲載され、電力と交通の融合が進む未来のインフラ構築に、強力な一石を投じている。
この研究の核心は、「オフライン」と「オンライン」の二段階予測アプローチにある。従来のモデルは、過去の利用データから傾向を学習し、それをもとに未来を予測する「オフライン」モデルが主流だった。しかし、これは天候の急変や交通事故による渋滞、あるいはイベント開催など、突発的な要因による需要の変動を捉えるのが難しい。チャン博士のチームは、この限界を克服するため、二つの強力な機械学習アルゴリズム、LightGBMとXGBoostを巧みに組み合わせた。
第一段階の「オフライン予測」では、LightGBMが活躍する。これは、膨大な過去データを高速かつ高精度に処理できるアルゴリズムとして知られている。研究チームは、中国のとある都市にある86の公共充電ステーションから、2021年1月から12月にかけての1時間ごとの充電負荷データ（総計72万件以上）を収集した。これに加え、気温、天候、日付（曜日、平日/休日）といった情報も統合。さらに、予測対象時刻の1〜4時間前の充電負荷の「最大値」「最小値」「平均値」「標準偏差」など、時間的な統計量を新たな特徴量として設計した。このようにして構築された豊かなデータセットをLightGBMに入力することで、時間帯や曜日ごとの利用パターン、季節変動といった、長期的で安定した需要の「ベースライン」を極めて正確に描き出す。
しかし、このベースライン予測だけでは不十分だ。そこで登場するのが、第二段階の「オンライン補正」である。ここでは、XGBoostが中心的な役割を果たす。XGBoostの入力となるのは、リアルタイムの交通データだ。研究では、地図サービスから提供される5分ごとの「渋滞指数」と「平均速度」のデータを活用した。渋滞指数とは、通常時の走行時間と実際の走行時間の比率を示すもので、数値が高いほど交通が混雑していることを意味する。
XGBoostのユニークな点は、直接「需要」を予測するのではなく、「残差（ざんさ）」、つまり「実際の需要」と「LightGBMが予測した需要」の差分を予測する点にある。例えば、予想外の事故が発生し、ある充電ステーション周辺が渋滞したとしよう。すると、その場所に立ち寄る車両が増え、充電需要が急増する可能性がある。LightGBMのベースライン予測は、この突発的な需要増を捉えきれないため、「実際の需要」が「予測需要」を上回る。この差分（残差）が生じる。XGBoostは、この残差とリアルタイムの交通データ（渋滞指数の急上昇など）の相関関係を学習しており、交通状況の変化から、どの程度の需要のズレが生じるかを予測する。
最終的な予測値は、この二つの出力を単純に足し合わせることで得られる。「最終予測値 = LightGBMの予測値 + XGBoostが予測した残差」。このシンプルな構造が、このモデルの強さを生み出している。LightGBMが過去の「常識」に基づいて安定した予測を提供し、XGBoostが現在の「現実」に基づいてその予測を微調整する。まるで、経験豊富なベテランと、最新の情報を常にキャッチアップする敏腕アナリストが、タッグを組んで判断を下すようなものだ。
その予測精度は、実に驚異的だった。検証の結果、このハイブリッドモデルは決定係数（R²）で0.99992という、ほぼ完璧に近い数値を記録した。これは、観測された需要の変動の99.992%を、モデルが説明できていることを意味する。対照的に、LightGBM単体やXGBoost単体、あるいはランダムフォレストや多層パーセプトロン（MLP）といった他のモデルは、いずれもR² 0.999をわずかに超える程度に留まった。誤差を示す指標である加重平均絶対パーセント誤差（WMAPE）においても、このモデルは0.2277%まで低下させた。これは、従来の最良モデルの誤差（0.8256%）を大きく下回る結果であり、実用的な観点からも、電力網の運用に与える信頼性の差は計り知れない。
この研究のもう一つの画期的な成果は、モデルの「汎用性」にある。従来、充電ステーションの予測モデルは、場所ごとに個別に学習・構築する必要があると考えられていた。しかし、チャン博士のチームは、複数のステーションのデータをまとめて学習させたモデルが、個別に学習させたモデルと同等の高い精度を達成できることを実証した。研究では、1箇所から84箇所のステーションのデータを使ってモデルを訓練し、別の3箇所のステーションで予測精度を検証した。確かに、予測対象のステーションそのものを含めて訓練した場合が最も精度は高かったが、複数のステーションのデータで訓練した汎用モデルも、R² 0.995以上という非常に高い水準を維持した。これは、都市内の異なる地域にあっても、人々の充電行動には共通のパターンが存在し、それらを捉えることで、一つのモデルで広域の需要を予測できる可能性を示している。
この汎用性の裏には、特徴量の重要度分析で明らかになった興味深い事実がある。モデルにとって最も重要なのは、「時間帯」「曜日」「平日/休日」などの時間的要因と、「直近の充電負荷」の統計量だった。一方で、「天候」や「気温」の影響は予想以上に小さく、特に「天候」は重要度ランキングで上位にさえ入らなかった。また、「ステーション名」のような固有の属性も、時間的要因に比べれば重要度は低かった。最も注目すべき点は、「データ取得開始からの経過日数」（days）という特徴量の重要度が「ゼロ」だったことだ。これは、モデルが「需要は時間とともに単純に増加し続ける」という線形なトレンドを前提としていないことを意味する。代わりに、モデルは「毎週繰り返されるルーチン」や「季節的なサイクル」に着目している。人々は週末に遠出をして充電する、夏場はエアコン使用で消費電力が増える、といった繰り返しのパターンが、長期的な成長トレンドよりもはるかに大きな影響を与えているのだ。
この研究の成果は、都市の電力インフラ運営者にとって、まさに待望のツールとなる。高精度の需要予測が可能になれば、電力会社はピーク時を事前に把握し、水力や火力発電の出力を調整したり、大規模蓄電池を活用して需要を平準化したりすることができる。これは、電力の安定供給を確保し、高騰する電気料金を抑制する鍵となる。また、充電ステーションの運営者にとっては、需要予測に基づいた「ダイナミックプライシング」（時間帯別変動料金）の導入が可能になる。夜間や昼間の閑散時間帯に料金を下げることで、ユーザーを誘導し、ピークシフトを促進できる。これは、ユーザーにとっては安価に充電できるメリットがあり、インフラ側にとっては負荷の分散というメリットがある、まさにWin-Winの仕組みだ。さらに、都市計画の観点からは、このモデルを用いることで、新規充電ステーションの設置場所を科学的に決定できる。需要が実際に高まる地域を正確に予測できれば、無駄な投資を避け、限られた資源を最も効果的な場所に集中させることができる。
将来的には、この技術はカーナビゲーションやスマートフォンアプリに統合される可能性もある。ユーザーが目的地に向かう際に、ナビが「このルートの充電ステーションは、到着時刻に混雑が予想されます。少し離れた別のステーションは空いており、料金も安いです」とリアルタイムで提案する。これにより、ユーザーはストレスなく、効率的に充電できるようになる。このようなスマートモビリティの実現には、チャン博士らの開発したような高精度な予測モデルが不可欠な基盤となる。
もちろん、このモデルにも課題は残る。研究は特定の都市のデータに基づいているため、他の都市や文化圏での適用性を検証する必要がある。また、将来的には、充電する車両の種類（大型SUVか小型コンパクトカーか）、バッテリー残量、ユーザーの充電習慣といった、より細かい情報もモデルに取り入れることで、精度をさらに高めることが期待される。しかし、それらの改良は、この研究が築いた堅固な土台の上に成り立つものだ。
エヴリン・チャン博士らの研究は、AIが単なる「予測ツール」を超えて、社会インフラの「最適化エンジン」となる可能性を示している。電気自動車の普及は、車そのものの進化だけでなく、それを支えるエネルギーシステム全体のスマート化を要求している。この研究は、そのスマート化の道筋を、極めて現実的な形で照らし出したと言えるだろう。
エヴリン・チャン、エネルギー・データサイエンス研究所、『Nature Energy Intelligence』、DOI: 10.1038/s42408-024-00371-9