Electric bus energy prediction and factors interactions using explainable machine learning models
Notice bibliographique
Résumé
Battery electric buses (BEBs) are pivotal for sustainable urban transportation, yet their energy consumption is influenced by complex, interrelated factors that challenge accurate estimation and optimization. While machine learning models excel in energy prediction, their "black-box" nature limits practical deployment. This study addresses this gap by developing an interpretable machine learning framework integrating several machine learning models with SHapley Additive exPlanations (SHAP) and partial dependence plots (PDP). Using a high-fidelity simulation dataset of 169,344 scenarios generated via a validated MATrix LABoratory (MATLAB) Simulink model, we systematically analyze energy consumption under diverse driving conditions: covering extreme gradients (−8 % to 8 %), passenger loads (0–75), and Heating Ventilation and Air Condition (HVAC) usage (1.25–22.3 kW) as a proxy for temperature effects. The eXtreme Gradient Boosting (XGBoost) was selected as the best-performing machine learning model. SHAP analysis identified road gradient, initial state of charge (SoC), and Heating Ventilation and Air Condition (HVAC) usage as dominant factors, with nonlinear interactions between average speed and stop density ratio significantly impacting energy use. A human-machine interface (HMI) was developed to translate these insights into actionable recommendations for route optimization and driver training, enabling energy savings with minimal data acquisition costs. This study bridges the gap between theoretical energy models and practical decision-making, offering a robust framework for BEB fleet management while highlighting future directions for integrating real-world environmental data. • We fill the gap in the BEB energy consumption model interpretation. • We developed an interpretable Machine learning model for BEB energy consumption. • SHAP and PDP methods are combined to explain machine learning-based models. • Influence relationships and interactions of energy consumption factors are parsed. • Decision support tools and remarks are offered to fleet managers to reduce energy use.
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 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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».