Een model dat binnen de geofence wordt getraind

Tesla heeft een nieuw machine-learning-model uitgerold dat moet voorspellen hoe druk een Supercharger zal zijn — niet alleen op het moment dat een bestuurder aankomt, maar enkele minuten van tevoren, op basis van welke auto's naar de locatie toe rijden. Het model werd getraind op 9 miljoen mijl geanonimiseerde, geaggregeerde trajectdata, uitsluitend verzameld binnen de geofenced gebieden rondom het wereldwijde Supercharger-netwerk, volgens onthullingen aangehaald door NotATeslaApp en Electrive.

De trainingset beperken tot de geofence is belangrijk: het filtert voertuigen eruit die door een Supercharger-plein rijden zonder te laden — om koffie te halen, naar het toilet te gaan of passagiers af te zetten — en isoleert echte laadintentie. Dat was historisch het lastigste deel van wachttijdvoorspelling, omdat gemengd verkeer op het plein in eerdere modellen niet te onderscheiden was van laadgericht verkeer.

Hoe de cijfers eruitzien

Tesla meldt dat het model de foutmarge van wachtrijschattingen met ongeveer 20 procent in totaal verlaagt. Op locaties waar 10 of meer voertuigen in de rij staan, zitten voorspellingen nu binnen 1 tot 2 auto's van de werkelijke wachtrijlengte, volgens berichtgeving over de release. Dat is een nuttige drempel voor reisplanning in de praktijk: het verschil tussen 10 minuten en 30 minuten wachten bepaalt of een bestuurder stopt bij de volgende locatie langs de corridor of doorrijdt.

De voorspelling voedt ook de meldingen van de boordnavigatie. Wanneer het systeem verwacht dat er een wachtrij zal ontstaan, toont het eerder in de route alternatieve Superchargers in de buurt, waardoor de kans wordt verkleind dat meerdere Tesla-bestuurders binnen hetzelfde vijfminutenvenster bij dezelfde overbelaste locatie aankomen.

Hoe het verbonden is met de Virtual Queue

Het wachtrij-voorspellingsmodel is de back-endhelft van een tweeledig initiatief. De andere helft is de functie Virtual Supercharger Queue die op 25 april 2026 verscheen met Tesla-appversie 4.56. De app geeft bestuurders een geofenced wachtlijst waaraan ze zich kunnen toevoegen wanneer ze een drukke locatie naderen; het nieuwe ML-model geeft zowel Tesla als de bestuurder een scherpere schatting van hoe die wachttijd zich zal ontwikkelen.

Beide werken samen: de AI voorspelt congestie voordat de wachtrij ontstaat, en de app coördineert de wachtrij zodra die er is. Samen vervangen ze de geïmproviseerde rijen die op drukke corridorlocaties tijdens vakantiepieken zijn opgedoken.

Wat het betekent voor Europese bestuurders

Voor Europese eigenaren zijn de directe begunstigden corridorlocaties onder aanhoudende druk — Rygge, Ærø, Hilden, Junction 17 in het VK en de Tarn-corridor in Frankrijk zijn typische voorbeelden. Betere voorspelling verkleint de kans op wachtrijgerelateerde omleidingen tijdens zomerreizen en weekendevenementen van EV-clubs.

De uitrol verloopt gefaseerd. Tesla beperkt het model aanvankelijk tot geselecteerde Supercharger-locaties terwijl het de voorspellingsnauwkeurigheid per locatie analyseert. Er is geen Europese lanceerdatum; het bedrijf heeft historisch routeverbeteringen wereldwijd uitgerold zodra het onderliggende model stabiel is.

De roadmap lezen

Het diepere signaal in deze release is hoe Tesla zijn vlootdata gebruikt. Negen miljoen mijl trajectinformatie verzameld uitsluitend binnen Supercharger-geofences is een smal segment van het volledige vlootlog — maar het is het segment dat ertoe doet voor laadlogistiek. Het illustreert ook het type operationele ML-probleem dat Tesla kan oplossen met voertuigtelemetrie die concurrenten missen: nutsbedrijven en derdenpartij-laadnetwerken zien alleen de auto's die aankoppelen, niet de auto's die de locatie naderen en mogelijk wel of niet stoppen.

Voor bestuurders is de praktische verandering klein maar welkom. Rijd na een lange rit naar een vertrouwde Supercharger, kijk op het navigatiescherm, en het wachttijdgetal is nu waarschijnlijker de wachttijd die je daadwerkelijk krijgt.