STUDIO E CONFRONTO DI TECNICHE PER LA PREDIZIONE DEL TASSO DI OCCUPAZIONE DELLE COLONNINE DI RICARICA DEI VEICOLI ELETTRICI

This thesis compares techniques for forecasting the occupancy rate of electric vehicle charging stations in Milan. Using the TomTom APIs, a novel dataset of traffic and charging occupancy was built and used to evaluate six models (SARIMA, Random Forest, SVM, LSTM, Prophet, NeuralProphet) with a sliding-window protocol. Results show that traffic, being periodic, is predictable, whereas occupancy, which depends on individual choices, is much less so. Correlation analysis and Granger causality tests reveal that, in some areas, traffic anticipates occupancy by one to two hours and can act as an indirect predictor to better plan charging.

La tesi confronta tecniche di previsione del tasso di occupazione delle colonnine di ricarica per veicoli elettrici a Milano. Tramite le API TomTom è stato costruito un dataset inedito di traffico e occupazione, su cui sono stati valutati sei modelli (SARIMA, Random Forest, SVM, LSTM, Prophet, NeuralProphet) con sliding window. I risultati mostrano che il traffico, essendo periodico, è prevedibile, mentre l'occupazione, dipendente da scelte individuali, molto meno. Correlazione e test di Granger rivelano che in alcune zone il traffico anticipa l'occupazione di una o due ore, e può fungere da predittore indiretto per pianificare meglio le ricariche.