Ein Modell, trainiert innerhalb des Geofence

Tesla hat ein neues Machine-Learning-Modell eingeführt, das vorhersagen soll, wie ausgelastet ein Supercharger sein wird — nicht nur im Moment der Ankunft eines Fahrers, sondern mehrere Minuten im Voraus, basierend darauf, welche Fahrzeuge sich dem Standort nähern. Das Modell wurde mit 9 Millionen Meilen anonymisierter, aggregierter Trajektoriendaten trainiert, die ausschließlich innerhalb der geofence-basierten Bereiche rund um das globale Supercharger-Netzwerk erhoben wurden, wie aus den von NotATeslaApp und Electrive zitierten Veröffentlichungen hervorgeht.

Die Beschränkung des Trainingsdatensatzes auf Geofences ist entscheidend: Sie filtert Fahrzeuge heraus, die einen Supercharger-Platz durchqueren, ohne zu laden — die für einen Kaffee, eine Toilette oder zum Absetzen von Passagieren halten — und isoliert die tatsächliche Ladeabsicht. Dies war historisch der schwierigste Teil der Wartezeitvorhersage, da gemischter Verkehr auf dem Platz in früheren Modellen nicht von ladegebundenem Verkehr zu unterscheiden war.

Wie die Zahlen aussehen

Tesla berichtet, dass das Modell die Fehlerrate bei Warteschlangenschätzungen um insgesamt rund 20 Prozent reduziert. An Standorten, an denen 10 oder mehr Fahrzeuge anstehen, liegen die Vorhersagen jetzt innerhalb von 1 bis 2 Fahrzeugen der tatsächlichen Warteschlangenlänge, wie aus der Berichterstattung hervorgeht. Das ist eine nützliche Schwelle für die reale Reiseplanung: Der Unterschied zwischen einer 10-minütigen und einer 30-minütigen Wartezeit entscheidet darüber, ob ein Fahrer am nächsten Standort entlang des Korridors anhält oder weiterfährt.

Die Vorhersage speist auch die Hinweise der Bordnavigation. Wenn das System das Entstehen einer Warteschlange erwartet, schlägt es alternative nahe gelegene Supercharger früher auf der Route vor und reduziert so die Wahrscheinlichkeit, dass mehrere Tesla-Fahrer innerhalb desselben Fünf-Minuten-Fensters am selben überlasteten Standort eintreffen.

Wie es mit der Virtual Queue zusammenhängt

Das Warteschlangen-Vorhersagemodell ist die Backend-Hälfte einer zweiteiligen Initiative. Die andere Hälfte ist die Funktion Virtual Supercharger Queue, die mit Tesla App Version 4.56 am 25. April 2026 veröffentlicht wurde. Die App bietet Fahrern eine geofence-basierte Warteliste, der sie sich anschließen können, während sie sich einem ausgelasteten Standort nähern; das neue ML-Modell liefert sowohl Tesla als auch dem Fahrer eine schärfere Schätzung, wie sich diese Wartezeit entwickeln wird.

Beide Komponenten arbeiten zusammen: Die KI sagt Überlastung voraus, bevor sich die Warteschlange bildet, und die App koordiniert die Warteschlange, sobald sie entsteht. Gemeinsam ersetzen sie die provisorischen Schlangen, die an stark befahrenen Korridorstandorten in Spitzenzeiten der Ferien aufgetreten sind.

Was es für europäische Fahrer bedeutet

Für europäische Besitzer sind die unmittelbaren Nutznießer Korridorstandorte unter anhaltendem Druck — Rygge, Ærø, Hilden, Junction 17 in Großbritannien und der Tarn-Korridor in Frankreich sind typische Beispiele. Bessere Prognosen reduzieren die Wahrscheinlichkeit von warteschlangenbedingten Routenumleitungen während der Sommerreisen und EV-Club-Wochenendveranstaltungen.

Der Rollout erfolgt schrittweise. Tesla beschränkt das Modell zunächst auf ausgewählte Supercharger-Standorte, während es die Vorhersagegenauigkeit standortweise analysiert. Es gibt kein europäisches Startdatum; das Unternehmen hat historisch Routing-Verbesserungen weltweit ausgerollt, sobald das zugrunde liegende Modell stabil ist.

Die Roadmap lesen

Das tiefere Signal in dieser Veröffentlichung ist, wie Tesla seine Flottendaten nutzt. Neun Millionen Meilen Trajektorieninformationen, die nur innerhalb von Supercharger-Geofences gesammelt wurden, sind ein schmaler Ausschnitt des gesamten Flotten-Logs — aber es ist der Ausschnitt, der für die Ladelogistik wichtig ist. Es illustriert auch die Art von operativem ML-Problem, das Tesla mit Fahrzeugtelemetrie lösen kann, die der Konkurrenz fehlt: Energieversorger und Drittanbieter-Ladenetze sehen nur die Fahrzeuge, die einstecken, nicht die Fahrzeuge, die sich dem Standort nähern und möglicherweise halten.

Für Fahrer ist die praktische Änderung klein, aber willkommen. Fahren Sie nach einer langen Fahrt zu einem vertrauten Supercharger, blicken Sie auf den Navigationsbildschirm, und die Wartezeit-Zahl ist nun mit höherer Wahrscheinlichkeit die Wartezeit, die Sie tatsächlich erleben.