Av: Ankur Gupta & Swagata Ashwani
Bild av redaktör
Artificiell intelligens har ett enormt löfte för att revolutionera tillgängligheten och tillgängligheten för laddning av elfordon. Efterfrågan på elbilsladdning exploderar när transportbranschen genomgår en massiv förändring mot elfordon. Över 6.5 miljoner elbilar såldes över hela världen 2021, vilket motsvarar 9 % av personbilsförsäljningen. Den siffran bör överstiga 25 % till 2030. En nyligen genomförd analys uppskattade att antalet laddstationer som krävs för att tillfredsställa laddningsbehovet skulle behöva växa 10x till 2040 [1].
Figur 1: Beräknad efterfrågan på laddstationer för elbilar per typ
AI-algoritmer kan hjälpa till att skapa en smartare och mer lyhörd laddningsinfrastruktur. Men eftersom vi välkomnar fördelarna måste vi också navigera i den snabba implementeringen, vi måste också se till att den överensstämmer med värderingar som rättvisa, transparens och ansvarsskyldighet.
Datauppsättningarna som matas in i AI-modeller skulle basera sina rekommendationer på nuvarande EV-användning inom dessa områden, EV-efterfrågan och förväntad laddaranvändning. Men vi måste kontrollera för partiskhet baserad på socioekonomiska faktorer för att säkerställa att nya stationer som placeras på nätet möjliggör rättvis och rättvis tillgång.
Det finns också otaliga vetenskapliga studier [2,3] som diskuterar hur AI och maskininlärning kan användas för att hjälpa planerare att bestämma var EV-laddare ska placeras och vilken typ av laddare som ska installeras. Att designa ett laddningsnät för elbilar är ett komplext problem och olika faktorer spelar in, inklusive
laddarens plats, prissättning, typ av laddningsstandard, laddningshastighet, balansering av energinätet samt förutsäga efterfrågan. Låt oss dyka djupare in i nyckelaspekterna där AI kan hjälpa oss att fatta ett bättre beslut.
1. Optimal placering av laddstationen
AI utmärker sig i att bearbeta stora datamängder och extrahera meningsfulla insikter. Denna förmåga blir särskilt värdefull när man bestämmer de optimala platserna för laddstationer. Genom att analysera faktorer som trafikmönster, befolkningstäthet och geografiska data kan AI-algoritmer strategiskt placera laddningsstationer för att maximera tillgängligheten och användarvänligheten.
Till exempel kan laddstationer för elbilar behövas längs livliga pendlingsvägar, nära stora motorvägar eller i områden med höga koncentrationer av elbilar. Bostäder och kommersiella områden med hög täthet kommer sannolikt att ha en högre efterfrågan på laddstationer för elbilar. AI kan analysera demografiska data och befolkningstäthetskartor för att lokalisera dessa områden. För analysen måste datauppsättningarna inkludera framtida trender inom elbilsförsäljning, befolkningstillväxt och stadsutveckling.
Den bästa platsen för laddstationer:
AI-algoritmer är fantastiska på att analysera big data. De kan hjälpa till att bestämma de bästa områdena för laddningsstationer för elbilar. Olika aspekter beaktas i denna bedömning, inklusive:
- Trafikmönster: AI tittar på trafikflöden och trängselnivåer för att identifiera områden med hög användning.
- Befolkningstäthet: Orter med hög befolkningstäthet prioriteras för att säkerställa maximal tillgänglighet.
- Geografiska data: Detta innebär att undersöka den fysiska terrängen och begränsningarna för stadsplanering för att bedöma deras lämplighet.
- Befintliga laddstationsplatser: För att inte mätta något område och bibehålla en jämn spridning.
- Predictive Analysis for Future Expansion: AI använder trender inom försäljning av elfordon, demografiska förändringar och stadsutveckling för att projicera framtida krav som styr långsiktig planering.
Figur 2: Värmekarta som visar distributionen av laddstationen för elbilar i USA
2. Förutsägelse av efterfrågan
En effektiv strategi för att förutsäga efterfrågan är avgörande för att optimera placeringen och driften av laddstationer och är avgörande av flera kritiska skäl. För det första möjliggör noggrann efterfrågeförutsägelse strategisk placering av laddstationer. Genom att prognostisera när och var laddningsbehovet kommer att vara störst kan AI-drivna system optimera den geografiska fördelningen av laddningsinfrastrukturen. Detta säkerställer att laddstationer är bekvämt placerade i områden med förväntad hög efterfrågan, vilket främjar tillgängligheten för en mängd olika användare i stads- och landsbygdslandskap.
För det andra bidrar efterfrågeprognoser till effektiv kapacitetsplanering. Genom att analysera historiska data och inkludera faktorer som säsongsvariationer, tidsmönster och användarbeteenden kan AI hjälpa till att bestämma den optimala kapaciteten för varje laddstation. Detta säkerställer att infrastrukturen är designad för att möta efterfrågan utan att orsaka överbelastning eller ineffektivitet i elnätet. Nedan listas faktorer som påverkar efterfrågan.
- Transaktionsdata för elbilsladdning:
- Detaljer om varje laddningssession (tid, varaktighet, plats)
- Energiförbrukning per laddningssession
- Typ av laddning (snabbladdning, långsam laddning)
- Trafik- och mobilitetsdata:
- GPS-data från fordon för att förstå resmönster
- Trafikflödesdata i olika områden och vid olika tider på dygnet
- Användardemografi:
- Ålder, kön och bostadsort för EV-användare
- Väder:
- Väderförhållandena kan påverka körmönster
- Socioekonomiska data:
- Inkomstnivåer
- Stad kontra landsbygd
Att förutsäga efterfrågan är avgörande för användarnas tillfredsställelse. Användare drar nytta av en laddningsinfrastruktur som passar deras behov, minimerar väntetider och ger en sömlös upplevelse. AI:s förmåga att analysera olika datauppsättningar, inklusive användarbeteende och preferenser, möjliggör personlig och användarcentrerad efterfrågan, vilket ökar den övergripande tillfredsställelsen för elbilsägare
3. Prismodeller för dynamisk laddning
Traditionella fasta prismodeller kanske inte utnyttjar den fulla potentialen hos ett dynamiskt och responsivt laddningsnät. AI kan analysera realtidsdata, inklusive energibehov, nätbelastning och användarbeteende, för att implementera dynamiska prismodeller. Detta optimerar inte bara utnyttjandet av laddningsinfrastrukturen utan uppmuntrar också användare att ladda under lågtrafik, vilket främjar en mer balanserad och hållbar energidistribution. En forskningsstudie [4] om dynamiskt prissättningssystem baserat på Stackelberg-spelet för laddstationer för elbilar ledde till slutsatsen att ett väl utformat prissättningssystem kan leda till sänkning av försäljningspriset för laddstation samtidigt som stationens vinst ökar; en win-win för både konsumenten och leverantören.
Komponenter som ingår i en prismodell:
- Energibehov och nätbelastning: AI-algoritmer kan utnyttja elbehov och nätbelastningsdata i realtid. Under hög efterfrågan kan priserna höjas och vice versa.
- Användarbeteende och mönster: Analys av historisk laddningsdata, inklusive frekvens, varaktighet och föredragna tider för laddning, hjälper till att förutsäga framtida beteende och justera priserna därefter.
- Tid på dygnet/veckan och säsongsvariationer: Priserna kan variera beroende på tid på dygnet, veckodag eller säsong, med tanke på typiska användningsmönster under dessa perioder.
- Typ av laddning (snabb vs. långsam laddning): Olika priser kan ställas in för olika typer av laddning.
Figur 4: Prissättning för laddstationer för elbilar i USA
Dynamiska prismodeller spelar en roll för överkomlighet och tillgänglighet. Genom att erbjuda lägre priser under lågtrafik eller när förnybara energikällor finns i överflöd, gör AI-drivna system elektrisk laddning mer ekonomiskt lönsam för en mängd olika användare. Detta tillvägagångssätt är i linje med principerna om rättvisa, vilket säkerställer att fördelarna med elektrisk mobilitet är tillgängliga för individer inom olika inkomstklasser.
Antagandet av AI-drivna lösningar för laddning av elfordon (EV) går snabbt framåt och erbjuder potentiella fördelar inom effektivitet, användarupplevelse och näthantering.
Men denna tekniska utveckling väcker också viktiga överväganden kring algoritmisk rättvisa. Att säkerställa att AI-system inom elbilsladdning är rättvisa och opartiska är avgörande för att främja rättvis tillgång till laddningsinfrastruktur.
Olika och representativa uppgifter
För att mildra fördomar är det avgörande att se till att utbildningsdata är mångsidig och representativ för hela användarbasen. Detta innebär att samla in data från ett brett spektrum av geografiska platser, demografiska grupper och laddningsscenarier. Inom varje datauppsättning måste fördomar som finns i träningsdata identifieras och rättas till. Nedan är de olika aspekterna som måste beaktas när du väljer datamängder:
- Geografisk mångfald:
- Stads- och landsbygdsområden: Att införliva data från både stads- och landsbygdsmiljöer säkerställer att laddningsnätdesignen är inkluderande och tillgodoser behoven hos olika samhällen.
- Olika klimat: Klimatvariationer påverkar laddningsbeteende och energiförbrukning. Datauppsättningar som återspeglar olika klimatförhållanden bidrar till robusta AI-modeller.
- Demografisk mångfald:
- Socioekonomiska faktorer: Att inkludera data från olika socioekonomiska bakgrunder hjälper till att undvika fördomar och säkerställer att laddningsinfrastruktur är tillgänglig för användare över olika inkomstnivåer.
- Kulturella överväganden: Kulturella preferenser och livsstilsskillnader påverkar laddningsvanorna. Olika datauppsättningar som omfattar kulturella nyanser bidrar till mer inkluderande design av laddningsnät.
- Fordonens mångfald:
- Olika EV-modeller: Olika elfordonsmodeller har olika laddningskrav. Att integrera data från en mängd olika elbilar säkerställer att laddningsinfrastrukturen uppfyller specifikationerna för olika fordon.
- Laddningstekniker: Datauppsättningar bör ta hänsyn till olika laddningstekniker, inklusive snabbladdning, standardladdning och nya teknologier, för att optimera nätdesignen därefter.
- Temporell mångfald:
- Säsongsvariationer: Laddningsbeteenden kan variera säsongsmässigt. Datauppsättningar som täcker olika årstider gör det möjligt för AI-system att anpassa laddningsnätdesign till förändrade väderförhållanden.
- Tid-på-dagen-mönster: Att förstå variationer i laddningsefterfrågan under dagen hjälper till att optimera laddningsinfrastrukturen för olika tidsramar.
Medan man bygger en AI-modell för förutsägelse av efterfrågan – låt oss säga att man förutsäger var nästa laddstation för elbilar ska placeras, är det avgörande att se till att en mångsidig datauppsättning inklusive alla ovanstående funktioner är kurerad.
När funktionerna är kurerade, är det viktigt att få tillgång till balansen i datamängden. En obalanserad datauppsättning kan leda till skeva och partiska resultat. Diagrammen visar balanserade data för några av de svängda funktionerna som ålder och fordonstyp.
Figur 5: Balanserade funktioner för EV-laddningsstationsmodell efter ålder
Figur 6: Balanserade funktioner för EV-laddstationsmodell efter fordonstyp
Algoritmisk öppenhet
Transparens är en hörnsten i att ta itu med bias i AI. Laddningsalgoritmer bör utformas för att vara transparenta och ge användarna insikter i hur beslut fattas om laddningshastigheter, optimala tider och andra kritiska faktorer. Att förstå algoritmens beslutsprocess främjar förtroende och tillåter användare att hålla avgiftsleverantörer ansvariga.
LIME (Local Interpretable Model-agnostic Explanations) spelar en avgörande roll för att förbättra förklaringsbarheten för AI-förutsägelser. Genom att skapa tolkningsbara modeller som approximerar förutsägelserna för komplexa maskininlärningsmodeller, ger LIME insikter i hur olika funktioner påverkar dessa förutsägelser. Till exempel, i samband med placering av laddstation för elbilar, kan LIME hjälpa till att avslöja orsakerna bakom en modells rekommendation att placera en laddstation - i nedanstående förklarande plot - funktionerna som bidrar positivt till förutsägelsen (placera en laddstation för elbil på plats x) är starkt påverkad av den socioekonomiska statusen. Trafik och befolkningstäthet påverkar förutsägelsen negativt. Detta är bara en hypotetisk datauppsättning och analys, och verkliga förutsägelser kan variera mycket. Syftet med den här handlingen är att visa hur kraftfullt LIME kan vara för att förklara hur en viss förutsägelse görs - vilka egenskaper är viktigare än de andra.
Figur 7: Förklarlig AI för en EV-laddstationsförutsägelse med LIME
EVI-Equity: Electric Vehicle Infrastructure for Equity Model utvecklad av NREL [5] är ett fantastiskt verktyg för att mäta likvärdigheten för den rikstäckande laddinfrastrukturen för elfordon (EV) med hjälp av omfattande, högupplöst analys. Den tillhandahåller en visualiseringskarta som gör det möjligt för intressenter att undersöka egenkapitalegenskaperna hos laddningsinfrastrukturen för elbilar vilket gör det enkelt att inspektera och förstå resultaten. För ex. När den tillämpas på Chicago-regionen illustrerar diagrammet nedan den olika laddningstillgången och tillhörande EV-användning baserat på inkomst och ras.
Figur 8: EVI-Equity-modellresultat för större Chicago-regionen
Skydda användarnas integritet
Med den snabba ökningen av Connected Vehicles strömmas en ökande mängd data från fordon till molnet. Detta inkluderar inte bara fordonsstatistik som batterikapacitet, återstående räckvidd, användarinställningar som klimatkontroll, utan även mätvärden för förarens beteende som accelerations-/bromsningshastighet, video- och ljudflöden, antibroms-/filavvikelsesensoraktivering. Dessa mätvärden, om de används orättvist, kan användas för att skapa en beteendeprofil för föraren och i sin tur lägga till partiskhet i beslutsfattandet.
Eftersom AI bearbetar denna enorma mängd användardata för att optimera placeringen av laddningsnätet, blir integritet ett viktigt problem. Genom att implementera integritetsbaserade principer säkerställs att AI-driven laddningsinfrastruktur respekterar användarnas integritet och följer dataskyddsbestämmelserna.
Integritetstekniker för ansvarsfull datahantering:
- Anonymisering: Anonymisering innebär borttagning eller kryptering av personligt identifierbar information från dataströmmen. Genom att dissociera data från specifika individer blir det betydligt svårare att spåra mätvärden tillbaka till en viss förare.
- Aggregering: Aggregation innebär att kombinera flera datapunkter för att bilda generaliserade sammanfattningar. Istället för att bearbeta individuella förarbeteendemått kan AI analysera aggregerade mönster över en större datauppsättning. Detta skyddar inte bara enskilda förares integritet utan säkerställer också att beslut om avgiftsnät baseras på kollektiva trender snarare än specifika användarprofiler.
- Differentiell integritet: Differentiell integritet lägger till brus eller slumpmässighet till individuella datapunkter, vilket gör det utmanande att fastställa bidraget från en enskild användare till datamängden. Denna teknik uppnår en balans mellan dataverktyg och integritetsskydd, vilket gör att AI kan generera korrekta laddningsnätoptimeringar utan att äventyra förarnas individuella integritet.
- Homomorf kryptering: Homomorf kryptering möjliggör beräkningar av krypterad data utan att dekryptera den. Denna teknik gör det möjligt för AI att analysera krypterade förarbeteendemått, vilket säkerställer att enskilda användares integritet bibehålls under hela optimeringsprocessen. Det är ett kraftfullt verktyg för att hitta en balans mellan datadrivna insikter och integritetsskydd.
När den globala användningen av elfordon (EV) tar fart, möter laddningsnätverk med AI både lovande möjligheter och betydande ansvar. Deras uppdrag innebär att förse förare med bekvämlighet och tillförlitlighet samtidigt som de säkerställer motståndskraften hos lokala nät, allt samtidigt som man prioriterar rättvisa och ansvarsskyldighet. Även om utmaningarna är komplicerade, är de potentiella framtida fördelarna enorma, allt från renare luft och begränsning av klimatförändringar till att uppnå energioberoende och främja utvecklingen av nästa generations färdigheter.
Den centrala rollen för AI och maskininlärning för att förverkliga denna vision kan inte överskattas. Dessa teknologier har löftet om att orkestrera serialiserad, personlig laddning i stor skala, för att tillgodose miljontals användare. Men för att säkerställa allmänhetens förtroende måste algoritmerna som driver dessa system fokusera på principer om rättvisa och transparens, allt samtidigt som tillgängligheten och tillförlitligheten förbättras.
[1] Tillväxt på marknaden för laddning av elfordon i USA: PwC
[2] Den artificiella intelligensens roll i massadoptionen av elfordon
[3] Datadriven smart laddning för heterogena elfordonsflottor – ScienceDirect
[5] EVI-Equity: Elfordonsinfrastruktur för Equity Model | Transport- och mobilitetsforskning | NREL
Swagata Ashwani är en rutinerad datavetare med en rik bakgrund inom analytics och big data. Swagata, som för närvarande tjänstgör som huvuddataforskare på Boomi, spelar en avgörande roll för att utnyttja kraften i data för att driva innovation och effektivitet. I sin roll spelar hon en avgörande roll i att leda generativa AI-initiativ för företaget. Hon är också kapitelledare på SF Women in Data, där hon främjar att bygga en rik gemenskap för kvinnor för att fira kvinnor i olika dataroller.
Ankur Gupta är en ingenjörsledare med tio års erfarenhet inom områdena hållbarhet, transport, telekommunikation och infrastruktur; har för närvarande tjänsten som ingenjörschef på Uber. I den här rollen spelar han en avgörande roll för att driva utvecklingen av Ubers fordonsplattform, vilket leder laddningen mot en framtid med nollutsläpp genom integration av banbrytande elektriska och uppkopplade fordon.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: 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
- :är
- :inte
- :var
- 1
- 2021
- 2030
- 7
- 8
- a
- förmåga
- Om oss
- ovan
- riklig
- tillgång
- tillgänglighet
- tillgänglig
- i enlighet med detta
- Konto
- ansvar
- ansvarig
- Redovisning
- exakt
- uppnå
- tvärs
- aktivering
- anpassa
- lägga till
- adresse
- Lägger
- justera
- Antagande
- befordran
- Vidare
- påverka
- ålder
- aggregation
- AI
- AI-modeller
- AI-system
- AIDS
- LUFT
- algoritm
- algoritmisk
- algoritmer
- Justerar
- Alla
- tillåter
- tillåter
- längs
- också
- Även
- mängd
- an
- analys
- analytics
- analysera
- analys
- och
- och infrastruktur
- förväntad
- vilken som helst
- tillämpas
- tillvägagångssätt
- ungefärlig
- ÄR
- OMRÅDE
- områden
- runt
- konstgjord
- artificiell intelligens
- AS
- aspekter
- bedömning
- associerad
- At
- audio
- tillgänglighet
- undvika
- tillbaka
- bakgrund
- bakgrunder
- Balansera
- Balanserad
- balansering
- bas
- baserat
- batteri
- BE
- blir
- beteende
- bakom
- Där vi får lov att vara utan att konstant prestera,
- nedan
- fördel
- Fördelarna
- BÄST
- Bättre
- mellan
- förspänning
- partisk
- förspänner
- Stor
- Stora data
- båda
- Föra
- bred
- Byggnad
- upptagen
- men
- by
- KAN
- kan inte
- kapacitet
- Kapacitet
- bil
- bära
- tillgodose
- catering
- tillgodoser
- orsakar
- fira
- cellen
- Centrum
- utmaningar
- utmanande
- byta
- byte
- Kapitel
- egenskaper
- laddning
- laddning
- laddningsstationer
- chicago
- renare
- Klimat
- Klimatförändring
- cloud
- Samla
- Kollektiv
- kombinera
- kommersiella
- samhällen
- samfundet
- pendling
- företag
- komplex
- omfattande
- komprometterande
- beräkningar
- Oro
- slutsats
- villkor
- överbelastning
- anslutna
- överväganden
- anses
- med tanke på
- begränsningar
- konsumeras
- Konsumenten
- konsumtion
- sammanhang
- bidra
- bidrar
- bidrag
- kontroll
- bekvämlighet
- bekvämt
- hörnstenen
- kunde
- beläggning
- tillverkad
- skapa
- Skapa
- kritisk
- avgörande
- kultur
- kurerad
- Aktuella
- För närvarande
- allra senaste
- datum
- datapunkter
- dataskydd
- datavetare
- data driven
- datauppsättningar
- dag
- årtionde
- beslutar
- Beslutet
- Beslutsfattande
- beslut
- djupare
- djupt
- Efterfrågan
- demografiska
- Demografi
- densitet
- avresa
- utplacering
- Designa
- utformade
- design
- mönster
- Bestämma
- bestämmande
- utvecklade
- Utveckling
- skillnader
- olika
- diskutera
- disparat
- distinkt
- fördelning
- Dyk
- flera
- Mångfald
- domäner
- driv
- chaufför
- chaufförer
- drivande
- varaktighet
- under
- dynamisk
- varje
- lätt
- Effektiv
- effektivitet
- elektriska
- elbil
- elfordon
- el
- smärgel
- nya tekniker
- möjliggöra
- möjliggör
- möjliggör
- encompassing
- uppmuntrar
- krypterad
- kryptering
- energi
- Energiförbrukning
- Teknik
- förbättra
- säkerställa
- säkerställer
- säkerställa
- Hela
- miljöer
- rättvis
- eget kapital
- väsentlig
- beräknad
- Eter (ETH)
- EV
- Även
- evs
- undersöka
- Granskning
- exempel
- överstiga
- expansionen
- förväntat
- erfarenhet
- Förklara
- Förklarbarhet
- Förklarbar AI
- Ansikte
- faktorer
- verkligt
- rättvisa
- fantastisk
- SNABB
- Funktioner
- fixerad
- flöda
- flöden
- För
- formen
- främja
- Fosters
- Frekvens
- från
- förverkligande
- full
- framtida
- resultat
- lek
- Kön
- generaliserad
- generera
- generativ
- Generativ AI
- geografisk
- ges
- Välgörenhet
- diagram
- grafer
- större
- Rutnät
- Gruppens
- Väx
- Tillväxt
- styra
- Gupta
- Arbetsmiljö
- hårdare
- sele
- Utnyttja
- Har
- he
- hjälpa
- hjälper
- här
- Hög
- hög upplösning
- högre
- högsta
- höggradigt
- motorvägar
- historisk
- hålla
- innehar
- ÖPPETTIDER
- Hur ser din drömresa ut
- Men
- HTTPS
- identifierade
- identifiera
- if
- illustrerar
- obalanserad
- enorma
- Inverkan
- påverkade
- genomföra
- genomföra
- vikt
- med Esport
- in
- innefattar
- Inklusive
- Inkludering
- Inkomst
- införliva
- införlivande
- ökat
- ökande
- oberoende
- individuellt
- individer
- industrin
- ineffektivitet
- påverka
- informationen
- Infrastruktur
- infuserad
- initiativ
- Innovation
- insikter
- installera
- exempel
- istället
- integrering
- Intelligens
- in
- invecklad
- innebär
- IT
- Domaren
- bara
- KDnuggets
- Nyckel
- större
- leda
- ledare
- ledande
- inlärning
- Led
- nivåer
- hävstångs
- livet
- Lifestyle
- sannolikt
- Kalk
- Noterade
- läsa in
- lokal
- belägen
- läge
- platser
- lång sikt
- UTSEENDE
- lägre
- Maskinen
- maskininlärning
- gjord
- bibehålla
- större
- göra
- Framställning
- ledning
- chef
- karta
- kartor
- marknad
- Massa
- Massadoption
- massiv
- Maximera
- maximal
- Maj..
- meningsfull
- mätning
- Möt
- Metrics
- kanske
- miljon
- miljoner
- minimerande
- Mission
- Mildra
- begränsning
- mobilitet
- modell
- modeller
- Momentum
- mer
- multipel
- måste
- myriad
- Rikstäckande
- Navigera
- Nära
- Behöver
- behövs
- behov
- negativt
- nätverk
- Nya
- Nästa
- nästa generation
- Brus
- nyanser
- antal
- of
- erbjuda
- on
- endast
- drift
- möjligheter
- optimala
- optimering
- Optimera
- optimerar
- optimera
- or
- orkestrerar
- beställa
- Övriga
- Övrigt
- över
- övergripande
- överskattas
- Yttersta
- särskilt
- särskilt
- mönster
- för
- perioder
- personlig
- Personligen
- fysisk
- plockning
- svängbara
- Plats
- placeras
- placering
- platser
- placering
- planering
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- Spela
- spelar
- komplott
- poäng
- befolkning
- placera
- positivt
- potentiell
- kraft
- Kraftnät
- den mäktigaste
- förutse
- förutsäga
- förutsägelse
- Förutsägelser
- preferenser
- föredragen
- presentera
- pris
- Priser
- prissättning
- prissättningsmodell
- Principal
- Principerna
- prioritering
- prioritet
- privatpolicy
- Problem
- process
- processer
- bearbetning
- Profil
- Profiler
- Vinst
- projektet
- projicerade
- löfte
- lovande
- främja
- skydd
- leverantör
- leverantörer
- ger
- tillhandahålla
- allmän
- allmänhetens förtroende
- Syftet
- PWC
- Lopp
- höjer
- slumpmässighet
- område
- som sträcker sig
- snabb
- snabbt
- Betygsätta
- rates
- snarare
- verklig
- verkliga livet
- realtid
- data i realtid
- skäl
- Rekommendation
- rekommendationer
- likriktad
- reduktion
- reflekterande
- om
- region
- föreskrifter
- tillförlitlighet
- Återstående
- avlägsnande
- Renewable
- förnybar energi
- representativ
- Obligatorisk
- Krav
- forskning
- bostads-
- motståndskraft
- respekterar
- ansvar
- ansvarig
- mottaglig
- Resultat
- avslöjar
- revolutionera
- Rik
- Rise
- robusta
- Roll
- roller
- rutter
- Landsbygd
- Landsbygdsområden
- s
- skyddsåtgärder
- försäljning
- tillfredsställande
- säga
- Skala
- scenarier
- ordningen
- vetenskaplig
- Forskare
- sömlös
- Säsong
- säsong
- kryddat
- säsonger
- säkra
- Försäljningen
- givare
- portion
- session
- in
- inställningar
- flera
- hon
- skifta
- Skift
- skall
- show
- visa upp
- signifikant
- signifikant
- enda
- webbplats
- färdigheter
- långsam
- smarta
- smartare
- So
- socioekonomiska
- säljs
- Lösningar
- några
- Källor
- spänning
- specifik
- specifikationer
- fart
- spridning
- intressenter
- standard
- stationen
- Stationer
- status
- Strategisk
- Strategiskt
- Strategi
- ström
- strömmas
- Strejker
- studier
- Läsa på
- sådana
- Hållbarhet
- hållbart
- Hållbar energi
- System
- Tekniken
- tekniker
- teknisk
- Tekniken
- telekommunikation
- än
- den där
- Smakämnen
- Grafen
- deras
- Där.
- Dessa
- de
- detta
- de
- Genom
- hela
- Således
- tid
- gånger
- till
- verktyg
- mot
- spåra
- trafik
- Utbildning
- transaktion
- Öppenhet
- transparent
- transport
- färdas
- Trender
- Litar
- Typ
- typer
- typisk
- Uber
- opartisk
- genomgår
- förstå
- förståelse
- urbana
- us
- Användning
- Begagnade
- Användare
- Användarupplevelse
- användares integritet
- användarcentrerad
- användare
- användningar
- med hjälp av
- verktyg
- utnyttja
- Värdefulla
- Värden
- variationer
- mängd
- olika
- variera
- Omfattande
- vehikel
- fordon
- Kontra
- genomförbar, livskraftig
- vice
- Video
- syn
- visualisering
- vs
- vänta
- we
- Väder
- vecka
- välkommen
- VÄL
- były
- Vad
- när
- medan
- kommer
- Win-Win
- med
- inom
- utan
- Kvinnor
- inom hela sverige
- skulle
- X
- zephyrnet