Af: Ankur Gupta & Swagata Ashwani
Billede af redaktør
Kunstig intelligens har et enormt løfte om at revolutionere tilgængeligheden og tilgængeligheden af opladning af elektriske køretøjer. Efterspørgslen efter EV-opladning eksploderer, efterhånden som transportindustrien gennemgår et massivt skift mod elektriske køretøjer. Over 6.5 millioner elbiler blev solgt på verdensplan i 2021, hvilket tegner sig for 9 % af salget af personbiler. Det tal skulle overstige 25 % i 2030. En nylig analyse vurderede, at antallet af ladestationer, der skal til for at imødekomme ladebehovet, skal vokse 10x i 2040 [1].
Figur 1: Forventet efterspørgsel efter EV-ladestationer efter type
AI-algoritmer kan hjælpe med at skabe en smartere, mere responsiv opladningsinfrastruktur. Men da vi glæder os over fordelene, må vi også navigere i den hurtige implementering, vi skal også sikre, at det stemmer overens med værdier som retfærdighed, gennemsigtighed og ansvarlighed.
De datasæt, der indgår i AI-modeller, vil basere deres anbefalinger på den nuværende anvendelse af elbiler på disse områder, efterspørgsel efter elbiler og forventet opladerudnyttelse. Men vi er nødt til at kontrollere for bias baseret på socioøkonomiske faktorer for at sikre, at nye stationer, der placeres på nettet, muliggør fair og lige adgang.
Der er også utallige videnskabelige undersøgelser [2,3] der diskuterer, hvordan kunstig intelligens og maskinlæring kan bruges til at hjælpe planlæggere med at beslutte, hvor de skal placere elbilopladere, og hvilken type opladere, der skal installeres. At designe et el-opladningsnet er et komplekst problem, og forskellige faktorer spiller ind, herunder
opladerplacering, prissætning, type ladestandard, ladehastighed, balancering af energinet samt forudsigelse af efterspørgslen. Lad os dykke dybere ned i de vigtigste aspekter, hvor AI kan hjælpe os med at træffe en bedre beslutning.
1. Optimal ladestationsplacering
AI udmærker sig ved at behandle store datasæt og udvinde meningsfuld indsigt. Denne evne bliver særlig værdifuld, når man skal bestemme de optimale placeringer for ladestationer. Ved at analysere faktorer som trafikmønstre, befolkningstæthed og geografiske data kan AI-algoritmer strategisk placere ladestationer for at maksimere tilgængelighed og brugervenlighed.
For eksempel kan der være behov for EV-ladestationer langs travle pendleruter, i nærheden af større motorveje eller i områder med høje koncentrationer af elbiler. Boligområder og kommercielle områder med høj tæthed vil sandsynligvis have en større efterspørgsel efter EV-ladestationer. AI kan analysere demografiske data og befolkningstæthedskort for at lokalisere disse områder. Til analysen skal datasættene inkorporere fremtidige tendenser i salg af elbiler, befolkningstilvækst og byudvikling.
Det bedste sted for ladestationer:
AI-algoritmer er fremragende til at analysere big data. De kan hjælpe med at bestemme de bedste områder til EV-ladestationer. Forskellige aspekter tages i betragtning i denne vurdering, herunder:
- Trafikmønstre: AI ser på trafikstrømme og trængselsniveauer for at identificere områder med højt forbrug.
- Befolkningstæthed: Steder med høj befolkningstæthed prioriteres således, at der er maksimal tilgængelighed.
- Geografiske data: Dette involverer at undersøge det fysiske terræn og byplanlægningens begrænsninger for at vurdere deres passende.
- Eksisterende ladestationsplaceringer: For ikke at mætte noget område og opretholde en jævn spredning.
- Forudsigende analyse for fremtidig udvidelse: AI bruger tendenser inden for salg af elbiler, demografiske ændringer og byudvikling til at fremskrive fremtidige krav, der styrer langsigtet planlægning.
Figur 2: Varmekort, der viser distributionen af EV-ladestation i USA
2. Forudsigelse af efterspørgsel
En effektiv forudsigelsesstrategi for efterspørgsel er afgørende for at optimere placeringen og driften af ladestationer og er afgørende af flere kritiske årsager. For det første giver nøjagtig forudsigelse af efterspørgsel mulighed for strategisk placering af ladestationer. Ved at forudsige, hvornår og hvor opladningsbehovet vil være størst, kan AI-drevne systemer optimere den geografiske fordeling af opladningsinfrastrukturen. Dette sikrer, at ladestandere er bekvemt placeret i områder med forventet høj efterspørgsel, hvilket fremmer tilgængeligheden for en bred vifte af brugere på tværs af by- og landskaber.
For det andet bidrager forudsigelse af efterspørgsel til effektiv kapacitetsplanlægning. Ved at analysere historiske data og inkorporere faktorer som sæsonbestemte variationer, mønstre på tidspunktet på dagen og brugeradfærd kan AI hjælpe med at bestemme den optimale kapacitet for hver ladestation. Dette sikrer, at infrastrukturen er designet til at imødekomme efterspørgslen uden at forårsage overbelastning eller ineffektivitet i elnettet. Nedenstående er faktorer, der bidrager til forudsigelse af efterspørgsel.
- EV Charging Transaktionsdata:
- Detaljer om hver opladningssession (tid, varighed, placering)
- Energiforbrug pr. opladningssession
- Type opladning (hurtig opladning, langsom opladning)
- Trafik- og mobilitetsdata:
- GPS-data fra køretøjer for at forstå rejsemønstre
- Trafikstrømsdata i forskellige områder og på forskellige tidspunkter af dagen
- Brugerdemografi:
- Alder, køn og boligplacering for elbilbrugere
- Vejr:
- Vejrforholdene kan påvirke køremønstrene
- Socioøkonomiske data:
- Indkomstniveauer
- Byområder kontra landdistrikter
Forudsigelse af efterspørgsel er afgørende for brugernes tilfredshed. Brugere drager fordel af en opladningsinfrastruktur, der er tilpasset deres behov, minimerer ventetider og giver en problemfri oplevelse. AI's evne til at analysere forskellige datasæt, herunder brugeradfærd og præferencer, giver mulighed for personlig og brugercentreret forudsigelse af efterspørgsel, hvilket øger den overordnede tilfredshed for EV-ejere
3. Prismodeller for dynamisk opladning
Traditionelle fastprismodeller udnytter muligvis ikke det fulde potentiale af et dynamisk og responsivt opladningsnet. AI kan analysere realtidsdata, herunder energibehov, netbelastning og brugeradfærd, for at implementere dynamiske prismodeller. Dette optimerer ikke kun udnyttelsen af opladningsinfrastrukturen, men opfordrer også brugerne til at lade op i spidsbelastningstiderne, hvilket fremmer en mere afbalanceret og bæredygtig energidistribution. En forskningsundersøgelse [4] om en dynamisk prisordning baseret på Stackelberg-spillet for EV-ladestationer førte til den konklusion, at en veludformet prisordning kan føre til en reduktion i salgsprisen på ladestationen og samtidig øge stationens fortjeneste; en win-win for både forbrugeren og udbyderen.
Komponenter, der indgår i en prismodel:
- Energibehov og netbelastning: AI-algoritmer kan udnytte strømbehov og netbelastningsdata i realtid. Under høj efterspørgsel kan priserne øges og omvendt.
- Brugeradfærd og mønstre: Analyse af historiske debiteringsdata, herunder frekvens, varighed og foretrukne tidspunkter for opladning, hjælper med at forudsige fremtidig adfærd og justere priserne i overensstemmelse hermed.
- Tid på dagen/ugen og sæsonbestemt: Priserne kan variere baseret på tidspunktet på dagen, ugedagen eller sæsonen, i betragtning af typiske brugsmønstre i disse perioder.
- Type opladning (hurtig vs. langsom opladning): Forskellige satser kan indstilles for forskellige typer opladning.
Figur 4: Priser for EV ladestationer i USA
Dynamiske prismodeller spiller en rolle for overkommelighed og tilgængelighed. Ved at tilbyde lavere priser uden for myldretiden, eller når vedvarende energikilder er rigelige, gør AI-drevne systemer elektrisk opladning mere økonomisk rentabel for en bred vifte af brugere. Denne tilgang er i overensstemmelse med principperne om retfærdighed og sikrer, at fordelene ved elektrisk mobilitet er tilgængelige for enkeltpersoner på tværs af forskellige indkomstgrupper.
Indførelsen af AI-drevne løsninger inden for opladning af elektriske køretøjer (EV) skrider hurtigt frem, hvilket giver potentielle fordele inden for effektivitet, brugeroplevelse og netstyring.
Dette teknologiske fremskridt rejser imidlertid også vigtige overvejelser omkring algoritmisk retfærdighed. At sikre, at AI-systemer i EV-opladning er retfærdige og uvildige, er afgørende for at fremme lige adgang til opladningsinfrastruktur.
Diverse og repræsentative data
For at afbøde skævheder er det afgørende at sikre, at træningsdata er forskelligartede og repræsentative for hele brugerbasen. Dette involverer indsamling af data fra en bred vifte af geografiske placeringer, demografiske grupper og opkrævningsscenarier. Inden for hvert datasæt skal skævheder til stede i træningsdataene identificeres og rettes. Nedenfor er de forskellige aspekter, der skal overvejes, når du vælger datasættene:
- Geografisk mangfoldighed:
- By- og landområder: Inkorporering af data fra både by- og landmiljøer sikrer, at opladningsnetdesign er inkluderende og imødekommer behovene i forskellige samfund.
- Forskellige klimaer: Klimavariationer påvirker opladningsadfærd og energiforbrug. Datasæt, der afspejler forskellige klimaforhold, bidrager til robuste AI-modeller.
- Demografisk mangfoldighed:
- Socioøkonomiske faktorer: Inkludering af data fra forskellige socioøkonomiske baggrunde hjælper med at undgå skævheder og sikrer, at opladningsinfrastruktur er tilgængelig for brugere på tværs af forskellige indkomstniveauer.
- Kulturelle overvejelser: Kulturelle præferencer og livsstilsforskelle påvirker opladningsvaner. Forskellige datasæt, der omfatter kulturelle nuancer, bidrager til mere inkluderende opladningsnetdesign.
- Køretøjs mangfoldighed:
- Forskellige EV-modeller: Forskellige elbilsmodeller har forskellige opladningskrav. Inkorporering af data fra en række forskellige elbiler sikrer, at opladningsinfrastrukturen imødekommer specifikationerne for forskellige køretøjer.
- Opladningsteknologier: Datasæt bør tage højde for forskellige opladningsteknologier, herunder hurtigopladning, standardopladning og nye teknologier, for at optimere netdesign i overensstemmelse hermed.
- Tidsmæssig mangfoldighed:
- Sæsonvariationer: Opladningsadfærd kan variere sæsonmæssigt. Datasæt, der dækker forskellige årstider, gør det muligt for AI-systemer at tilpasse opladningsgitterets design til skiftende vejrforhold.
- Time-of-Day-mønstre: Forståelse af variationer i opladningsbehov i løbet af dagen hjælper med at optimere opladningsinfrastrukturen til forskellige tidsrammer.
Mens man bygger en AI-model til forudsigelse af efterspørgsel - lad os sige at forudsige, hvor den næste EV-ladestation skal placeres, er det afgørende at sikre, at et mangfoldigt datasæt inklusive alle ovenstående funktioner er kureret.
Når funktionerne er kurateret, er det vigtigt at få adgang til balancen i datasættet. Et ubalanceret datasæt kan føre til skæve og skæve resultater. Graferne viser afbalancerede data for nogle af de drejelige funktioner, såsom alder og præference for køretøjstype.
Figur 5: Balancerede funktioner for EV-ladestationsplacering efter alder
Figur 6: Balancerede funktioner for EV ladestationsplacering model efter køretøjstype
Algoritmisk gennemsigtighed
Gennemsigtighed er en hjørnesten i at adressere bias i AI. Opladningsalgoritmer bør designes til at være gennemsigtige og give brugerne indsigt i, hvordan beslutninger træffes vedrørende opladningshastigheder, optimale tidspunkter og andre kritiske faktorer. Forståelse af algoritmens beslutningsproces fremmer tillid og giver brugerne mulighed for at holde opkrævningsudbydere ansvarlige.
LIME (Local Interpretable Model-agnostic Explanations) spiller en afgørende rolle i at forbedre forklarligheden af AI-forudsigelser. Ved at skabe fortolkbare modeller, der tilnærmer forudsigelserne af komplekse maskinlæringsmodeller, giver LIME indsigt i, hvordan forskellige funktioner påvirker disse forudsigelser. For eksempel, i forbindelse med placering af el-ladestationer, kan LIME hjælpe med at afsløre årsagerne bag en models anbefaling om at placere en ladestation - i forklaringsplottet nedenfor - de funktioner, der bidrager positivt til forudsigelsen (placering af en ladestation til elbiler på stedet) x) er stærkt påvirket af den socioøkonomiske status. Trafik og befolkningstæthed påvirker forudsigelsen negativt. Dette er blot et hypotetisk datasæt og analyse, og forudsigelser fra det virkelige liv kan variere meget. Formålet med dette plot er at vise, hvor kraftfuldt LIME kan være for at forklare, hvordan en bestemt forudsigelse laves - hvilke funktioner er vigtigere end de andre.
Figur 7: Forklarlig AI for forudsigelse af en elbil-ladestation ved brug af LIME
EVI-Equity: Electric Vehicle Infrastructure for Equity Model udviklet af NREL [5] er et fantastisk værktøj til at måle egenkapitalen i den landsdækkende opladningsinfrastruktur for elektriske køretøjer (EV) ved hjælp af omfattende analyser i høj opløsning. Det giver et visualiseringskort, der giver interessenter mulighed for at undersøge egenkapitalkarakteristika for el-opladningsinfrastruktur, hvilket gør det nemt at inspicere og forstå resultaterne. For fx. når den anvendes på Chicago-regionen, illustrerer grafen nedenfor den uensartede opladningsadgang og tilhørende EV-vedtagelse baseret på indkomst og race.
Figur 8: EVI-Equity-modelresultater for den større Chicago-region
Beskyttelse af brugernes privatliv
Med den hurtige stigning i Connected Vehicles er der en stigende mængde data, der streames fra køretøjer til skyen. Dette inkluderer ikke kun køretøjsmålinger såsom batterikapacitet, resterende rækkevidde, brugerindstillinger såsom klimakontrol, men også føreradfærdsmålinger såsom accelerations-/bremsningshastighed, video- og lydfeeds, antibremse-/vognbaneskiftsensoraktivering. Disse målinger, hvis de bruges uretfærdigt, kan bruges til at skabe en adfærdsprofil for chaufføren og til gengæld tilføje bias i beslutningstagningen.
Efterhånden som AI behandler denne enorme mængde brugerdata for at optimere placeringen af opladningsnettet, bliver privatlivets fred et altafgørende problem. Implementering af privacy-by-design-principper sikrer, at AI-drevet opladningsinfrastruktur respekterer brugernes privatliv og overholder databeskyttelsesforskrifterne.
Privatlivsteknikker til ansvarlig datahåndtering:
- Anonymisering: Anonymisering involverer fjernelse eller kryptering af personligt identificerbare oplysninger fra datastrømmen. Ved at adskille dataene fra specifikke individer bliver det betydeligt sværere at spore metrics tilbage til en bestemt driver.
- Aggregation: Aggregation involverer at kombinere flere datapunkter for at danne generaliserede resuméer. I stedet for at behandle individuelle føreradfærdsmålinger kan AI analysere aggregerede mønstre på tværs af et større datasæt. Dette sikrer ikke kun privatlivets fred for individuelle chauffører, men sikrer også, at beslutninger om afgiftsnet er baseret på kollektive tendenser snarere end specifikke brugerprofiler.
- Differentiel privatliv: Differentieret privatliv tilføjer støj eller tilfældighed til individuelle datapunkter, hvilket gør det udfordrende at bestemme en enkelt brugers bidrag til datasættet. Denne teknik skaber en balance mellem dataværktøj og privatlivsbeskyttelse, hvilket gør det muligt for AI at generere nøjagtige opladningsnetoptimeringer uden at kompromittere chaufførernes individuelle privatliv.
- Homomorf kryptering: Homomorf kryptering muliggør beregninger på krypterede data uden at dekryptere dem. Denne teknik gør det muligt for AI at analysere krypterede føreradfærdsmålinger, hvilket sikrer, at privatlivets fred for individuelle brugere bevares under hele optimeringsprocessen. Det er et kraftfuldt værktøj til at finde en balance mellem datadrevet indsigt og beskyttelse af privatlivets fred.
Efterhånden som den globale udbredelse af elektriske køretøjer (EV'er) tager fart, står opladningsnetværk med kunstig intelligens både over for lovende muligheder og betydeligt ansvar. Deres mission involverer at give chauffører bekvemmelighed og pålidelighed, samtidig med at de sikrer modstandsdygtigheden af lokale net, alt imens de prioriterer retfærdighed og ansvarlighed. Selvom udfordringerne er indviklede, er de potentielle fremtidige fordele enorme, lige fra renere luft og afbødning af klimaændringer til at opnå energiuafhængighed og fremme udviklingen af næste generations færdigheder.
Den centrale rolle, AI og maskinlæring spiller i at bringe denne vision ud i livet, kan ikke overvurderes. Disse teknologier har løftet om at orkestrere serialiseret, personlig opladning i massiv skala, der henvender sig til millioner af brugere. For at sikre offentlig tillid skal de algoritmer, der driver disse systemer, fokusere på principper om retfærdighed og gennemsigtighed, alt imens de forbedrer tilgængelighed og pålidelighed.
[1] Vækst på markedet for opladning af elbiler i USA: PwC
[2] Rollen af kunstig intelligens i masseadoptionen af elektriske køretøjer
[3] Datadrevet smart opladning til heterogene elbilflåder – ScienceDirect
Swagata Ashwani er en erfaren data scientist med en rig baggrund inden for analytics og big data. Swagata, der i øjeblikket fungerer som Principal Data Scientist hos Boomi, spiller en afgørende rolle i at udnytte kraften i data til at drive innovation og effektivitet. I sin rolle spiller hun en afgørende rolle i at lede generative AI-initiativer for virksomheden. Hun er også kapitelleder hos SF Women in Data, hvor hun fremmer opbygningen af et rigt fællesskab for kvinder for at fejre kvinder i forskellige dataroller.
Ankur Gupta er en ingeniørleder med ti års erfaring inden for bæredygtighed, transport, telekommunikation og infrastruktur; har i øjeblikket stillingen som Engineering Manager hos Uber. I denne rolle spiller han en central rolle i at drive fremskridtet af Ubers Vehicles Platform, der fører opladningen mod en nul-emissionsfremtid gennem integration af banebrydende elektriske og tilsluttede køretøjer.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://www.kdnuggets.com/leveraging-ai-to-design-fair-and-equitable-ev-charging-grids?utm_source=rss&utm_medium=rss&utm_campaign=leveraging-ai-to-design-fair-and-equitable-ev-charging-grids
- :er
- :ikke
- :hvor
- 1
- 2021
- 2030
- 7
- 8
- a
- evne
- Om
- over
- rigelig
- adgang
- tilgængelighed
- tilgængelig
- derfor
- Konto
- ansvarlighed
- ansvarlig
- Bogføring og administration
- præcis
- opnå
- tværs
- Aktivering
- tilpasse
- tilføje
- adressering
- Tilføjer
- justere
- Vedtagelse
- fremgang
- fremrykkende
- påvirke
- alder
- aggregering
- AI
- AI modeller
- AI-systemer
- hjælpemidler
- LUFT
- algoritme
- algoritmisk
- algoritmer
- Justerer
- Alle
- tillade
- tillader
- sammen
- også
- Skønt
- beløb
- an
- analyse
- analytics
- analysere
- analysere
- ,
- og infrastruktur
- Forventet
- enhver
- anvendt
- tilgang
- omtrentlig
- ER
- OMRÅDE
- områder
- omkring
- kunstig
- kunstig intelligens
- AS
- aspekter
- vurdering
- forbundet
- At
- lyd
- tilgængelighed
- undgå
- tilbage
- baggrund
- baggrunde
- Balance
- Balanceret
- afbalancering
- bund
- baseret
- batteri
- BE
- bliver
- adfærd
- bag
- være
- jf. nedenstående
- gavner det dig
- fordele
- BEDSTE
- Bedre
- mellem
- skævhed
- forudindtaget
- fordomme
- Big
- Big data
- både
- Bringe
- bred
- Bygning
- travlt
- men
- by
- CAN
- kan ikke
- kapacitet
- Kapacitet
- bil
- bære
- imødekomme
- catering
- gearet
- forårsager
- fejre
- celle
- center
- udfordringer
- udfordrende
- lave om
- skiftende
- Kapitel
- karakteristika
- afgift
- opladning
- ladestationer
- Chicago
- renere
- Klima
- Klima forandring
- Cloud
- Indsamling
- kollektive
- kombinerer
- kommerciel
- Fællesskaber
- samfund
- pendling
- selskab
- komplekse
- omfattende
- at gå på kompromis
- beregninger
- Bekymring
- konklusion
- betingelser
- overbelastning
- tilsluttet
- overvejelser
- betragtes
- Overvejer
- begrænsninger
- forbruges
- forbruger
- forbrug
- sammenhæng
- bidrage
- bidrager
- bidrag
- kontrol
- bekvemmelighed
- bekvemt
- hjørnesten
- kunne
- dækker
- udformet
- skabe
- Oprettelse af
- kritisk
- afgørende
- kulturelle
- kurateret
- Nuværende
- For øjeblikket
- banebrydende
- data
- datapunkter
- databeskyttelse
- dataforsker
- datastyret
- datasæt
- dag
- årti
- beslutte
- beslutning
- Beslutningstagning
- afgørelser
- dybere
- dybt
- Efterspørgsel
- demografiske
- Demografi
- tæthed
- afgang
- implementering
- Design
- konstrueret
- designe
- designs
- Bestem
- bestemmelse
- udviklet
- Udvikling
- forskelle
- forskellige
- diskutere
- dårskab
- distinkt
- fordeling
- dyk
- forskelligartede
- Mangfoldighed
- Domæner
- køre
- driver
- drivere
- kørsel
- varighed
- i løbet af
- dynamisk
- hver
- let
- Effektiv
- effektivitet
- Elektrisk
- elbil
- elektriske køretøjer
- elektricitet
- smergel
- nye teknologier
- muliggøre
- muliggør
- muliggør
- omfatter
- tilskynder
- krypteret
- kryptering
- energi
- Energiforbrug
- Engineering
- styrke
- sikre
- sikrer
- sikring
- Hele
- miljøer
- retfærdig
- egenkapital
- væsentlig
- anslået
- Ether (ETH)
- EV
- Endog
- EVS
- undersøge
- Undersøgelse
- eksempel
- overstige
- udvidelse
- forventet
- erfaring
- Forklar
- Forklarlighed
- Forklarelig AI
- Ansigtet
- faktorer
- retfærdig
- fairness
- fantastisk
- FAST
- Funktionalitet
- fast
- flow
- strømme
- Til
- formular
- fremme
- Fosters
- Frekvens
- fra
- bære frugt
- fuld
- fremtiden
- gevinster
- spil
- Køn
- generaliseret
- generere
- generative
- Generativ AI
- geografiske
- given
- Global
- graf
- grafer
- større
- Grid
- Gruppens
- Grow
- Vækst
- vejlede
- Gupta
- Håndtering
- hårdere
- seletøj
- udnyttelse
- Have
- he
- hjælpe
- hjælper
- hende
- Høj
- høj opløsning
- højere
- højeste
- stærkt
- motorveje
- historisk
- hold
- besidder
- HOURS
- Hvordan
- Men
- HTTPS
- identificeret
- identificere
- if
- illustrerer
- ubalanceret
- enorme
- KIMOs Succeshistorier
- påvirket
- gennemføre
- gennemføre
- betydning
- vigtigt
- in
- omfatter
- Herunder
- Inklusive
- Indkomst
- indarbejde
- inkorporering
- øget
- stigende
- uafhængighed
- individuel
- enkeltpersoner
- industrien
- ineffektivitet
- indflydelse
- oplysninger
- Infrastruktur
- infunderet
- initiativer
- Innovation
- indsigt
- installere
- instans
- i stedet
- integration
- Intelligens
- ind
- indviklet
- involverer
- IT
- dommer
- lige
- KDnuggets
- Nøgle
- større
- føre
- leder
- førende
- læring
- Led
- niveauer
- løftestang
- Livet
- livsstil
- Sandsynlig
- lime
- Børsnoterede
- belastning
- lokale
- placeret
- placering
- placeringer
- langsigtet
- UDSEENDE
- lavere
- maskine
- machine learning
- lavet
- vedligeholde
- større
- lave
- Making
- ledelse
- leder
- kort
- Maps
- Marked
- Masse
- Masseadoption
- massive
- Maksimer
- maksimal
- Kan..
- meningsfuld
- måling
- Mød
- Metrics
- måske
- million
- millioner
- minimering
- Mission
- afbøde
- afbødning
- mobilitet
- model
- modeller
- momentum
- mere
- flere
- skal
- utal
- Landsdækkende
- Naviger
- I nærheden af
- Behov
- behov
- behov
- negativt
- net
- Ny
- næste
- næste generation
- Støj
- nuancer
- nummer
- of
- tilbyde
- on
- kun
- drift
- Muligheder
- optimal
- optimering
- Optimer
- Optimerer
- optimering
- or
- orkestrering
- ordrer
- Andet
- Andre
- i løbet af
- samlet
- overvurderet
- Paramount
- særlig
- især
- mønstre
- per
- perioder
- Personlig
- Personligt
- fysisk
- plukke
- afgørende
- Place
- placeret
- placering
- Steder
- anbringelse
- planlægning
- perron
- plato
- Platon Data Intelligence
- PlatoData
- Leg
- spiller
- grund
- punkter
- befolkning
- position
- positivt
- potentiale
- magt
- Elnet
- vigtigste
- forudsige
- forudsige
- forudsigelse
- Forudsigelser
- præferencer
- foretrækkes
- præsentere
- pris
- Priser
- prissætning
- prisfastsættelsesmodel
- Main
- principper
- prioritering
- prioritet
- Beskyttelse af personlige oplysninger
- Problem
- behandle
- Processer
- forarbejdning
- Profil
- Profiler
- Profit
- projekt
- fremskrevet
- løfte
- lovende
- Fremme
- beskyttelse
- udbyder
- udbydere
- giver
- leverer
- offentlige
- offentlig tillid
- formål
- PWC
- Løb
- rejser
- tilfældighed
- rækkevidde
- spænder
- hurtige
- hurtigt
- Sats
- priser
- hellere
- ægte
- I virkeligheden
- realtid
- data i realtid
- årsager
- Anbefaling
- anbefalinger
- ensrettet
- reduktion
- afspejler
- om
- region
- regler
- pålidelighed
- resterende
- fjernelse
- Vedvarende
- vedvarende energi
- repræsentativt
- påkrævet
- Krav
- forskning
- boligområder
- modstandskraft
- henseender
- ansvar
- ansvarlige
- lydhør
- Resultater
- afsløre
- Revolutionerende
- Rich
- Rise
- robust
- roller
- roller
- veje
- Rural
- Landdistrikter
- s
- sikkerhedsforanstaltninger
- salg
- tilfredshed
- siger
- Scale
- scenarier
- Ordningen
- videnskabelig
- Videnskabsmand
- sømløs
- Sæson
- sæsonbestemt
- krydret
- sæsoner
- sikker
- Salg
- sensor
- servering
- Session
- sæt
- indstillinger
- flere
- hun
- skifte
- Skift
- bør
- Vis
- fremvisning
- signifikant
- betydeligt
- enkelt
- websted
- færdigheder
- langsom
- Smart
- smartere
- So
- socioøkonomiske
- solgt
- Løsninger
- nogle
- Kilder
- spænding
- specifikke
- specifikationer
- hastighed
- spredes
- interessenter
- standard
- station
- Stationer
- Status
- Strategisk
- Strategisk
- Strategi
- strøm
- streamet
- Strejker
- undersøgelser
- Studere
- sådan
- Bæredygtighed
- bæredygtig
- Bæredygtig energi
- Systemer
- teknik
- teknikker
- teknologisk
- Teknologier
- telekommunikation
- end
- at
- Grafen
- deres
- Der.
- Disse
- de
- denne
- dem
- Gennem
- hele
- Dermed
- tid
- gange
- til
- værktøj
- mod
- spore
- Trafik
- Kurser
- transaktion
- Gennemsigtighed
- gennemsigtig
- transport
- rejse
- Tendenser
- Stol
- typen
- typer
- typisk
- Uber
- fordomsfri
- gennemgår
- forstå
- forståelse
- urban
- us
- Brug
- anvendte
- Bruger
- Brugererfaring
- brugernes privatliv
- brugercentreret
- brugere
- bruger
- ved brug af
- nytte
- udnytte
- Værdifuld
- Værdier
- variationer
- række
- forskellige
- variere
- Vast
- køretøj
- Køretøjer
- versus
- levedygtig
- vice
- video
- vision
- visualisering
- vs
- vente
- we
- Vejr
- uge
- velkommen
- GODT
- var
- Hvad
- hvornår
- mens
- vilje
- Win-win
- med
- inden for
- uden
- Dame
- verdensplan
- ville
- X
- zephyrnet