Predictive modeling of energy demands for battery electric buses using real-world data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The transition to battery electric buses (BEBs) offers a significant opportunity to reduce greenhouse gas (GHG) emissions in public transit. However, the limited driving range of BEBs presents operational challenges, making accurate energy demand prediction essential for effective deployment. Despite advances in machine learning and data-driven modeling, an integrated framework for real-world BEB energy demand prediction remains underdeveloped. Most existing research in this domain relies heavily on simulated or controlled datasets, limiting practical applicability. This study addresses this gap by presenting a comprehensive approach to predicting the energy demands of a BEB fleet under actual service conditions, grounded in real-world operational data collected from the Toronto Transit Commission’s (TTC) BEB trial, one of the largest of its kind in North America. At the core of this approach is a novel data processing framework specifically designed for streaming high-resolution vehicle telematics data, which integrates diverse contextual sources such as weather conditions, route topology, passenger loads, and bus schedules. This integrated framework enables the construction of a large-scale BEB dataset derived from in-service operational data of the TTC’s BEB fleet, encompassing 149,813 hours of driving and 2.56 million kilometers traveled. The dataset is leveraged to train and evaluate several machine learning models to predict energy demands along TTC routes. Results demonstrate that the best-performing model achieves a 38% reduction in mean absolute error compared to a baseline method and explains 87% of the variance in net energy demand. Additionally, an analysis of seasonal effects reveals heightened prediction challenges during colder months, driven by increased variability in energy consumption across different BEB makes and models. Finally, a physics-informed hybrid modeling approach is proposed, which integrates energy estimates from vehicle longitudinal dynamics into the data-driven pipeline, yielding further improvements in prediction accuracy and underscoring the value of domain knowledge in machine learning applications for transit.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle