Predictive modeling of energy demands for battery electric buses using real-world data
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».