En modell tränad inom geostängslet
Tesla har rullat ut en ny maskininlärningsmodell som ska förutsäga hur upptagen en Supercharger kommer att vara — inte bara i ögonblicket en förare anländer, utan flera minuter i förväg, baserat på vilka bilar som är på väg mot platsen. Modellen tränades på 9 miljoner miles anonymiserade, aggregerade trajektoriedata som samlats in uteslutande inom de geostängslade områdena kring det globala Supercharger-nätverket, enligt avslöjanden citerade av NotATeslaApp och Electrive.
Att begränsa träningsdatan till geostängslet är viktigt: det filtrerar bort fordon som passerar genom en Supercharger-yta utan att ladda — de som stannar för kaffe, toalett eller för att släppa av passagerare — och isolerar verklig laddningsavsikt. Det har historiskt varit den svåraste delen av väntetidsprognoser, eftersom blandad trafik på platsen var omöjlig att skilja från laddningsbunden trafik i tidigare modeller.
Hur siffrorna ser ut
Tesla rapporterar att modellen minskar felfrekvensen i köuppskattningar med ungefär 20 procent totalt. På platser där 10 eller fler fordon köar ligger förutsägelserna nu inom 1 till 2 bilar från den faktiska kölängden, enligt rapporteringen om lanseringen. Det är en användbar tröskel för verklig resplanering: skillnaden mellan 10 minuters och 30 minuters väntan avgör om en förare stannar vid nästa plats längs korridoren eller fortsätter.
Prognosen matar också bilens navigationsmeddelanden. När systemet förutser att en kö bildas, visar det alternativa närliggande Superchargers tidigare i rutten och minskar risken att flera Tesla-förare anländer till samma överbelastade plats inom samma femminutersfönster.
Hur det kopplar till Virtual Queue
Kö-prognosmodellen är backend-hälften av ett tudelat initiativ. Den andra hälften är Virtual Supercharger Queue-funktionen som kom med Tesla-appens version 4.56 den 25 april 2026. Appen ger förare en geostängslad väntelista de kan ansluta sig till när de närmar sig en upptagen plats; den nya ML-modellen ger både Tesla och föraren en skarpare uppskattning av hur den väntan kommer att utspela sig.
De två fungerar tillsammans: AI:n förutsäger trängsel innan kön bildas, och appen koordinerar kön när den uppstår. Tillsammans ersätter de de improviserade köer som har dykt upp på upptagna korridorplatser under semesterperioder.
Vad det betyder för europeiska förare
För europeiska ägare är de omedelbara mottagarna korridorplatser under ihållande tryck — Rygge, Ærø, Hilden, Junction 17 i Storbritannien och Tarn-korridoren i Frankrike är typiska exempel. Bättre prognoser minskar risken för köorsakade ruttomvägar under sommarsemestrar och elbil-klubbarnas helgevenemang.
Utrullningen sker stegvis. Tesla begränsar inledningsvis modellen till utvalda Supercharger-platser medan de analyserar prognosnoggrannheten plats för plats. Det finns inget europeiskt lanseringsdatum; företaget har historiskt rullat ut ruttförbättringar globalt när den underliggande modellen är stabil.
Att läsa färdplanen
Den djupare signalen i denna lansering är hur Tesla använder sina flottdata. Nio miljoner miles trajektoriedata insamlade enbart inom Supercharger-geostängsel är en smal del av den totala flottloggen — men det är den del som spelar roll för laddningslogistik. Det illustrerar också den typ av operativt ML-problem som Tesla kan lösa med fordonstelematik som konkurrenterna saknar: elbolag och tredjeparts laddningsnätverk ser bara bilarna som ansluter, inte bilarna som närmar sig platsen och som kanske eller kanske inte stannar.
För förare är den praktiska förändringen liten men välkommen. Kör fram till en bekant Supercharger efter en lång resa, kasta en blick på navigationsskärmen, och väntetidssiffran är nu mer sannolik att vara den väntan du faktiskt får.