Entwicklung von ML-basierten Vorhersagesystemen für den Energieverbrauch von Elektrobussen im öffentlichen Nahverkehr

Borchers, Marten et al. Article — Published Version Entwicklung von ML-basierten Vorhersagesystemen für den Energieverbrauch von Elektrobussen im öffentlichen Nahverkehr HMD Praxis der Wirtschaftsinformatik Provided in Cooperation with: Springer Nature Suggested Citation: Borchers, Marten et al. (2025) : Entwicklung von ML-basierten Vorhersagesystemen für den Energieverbrauch von Elektrobussen im öffentlichen Nahverkehr, HMD Praxis der Wirtschaftsinformatik, ISSN 2198-2775, Springer Fachmedien Wiesbaden GmbH, Wiesbaden, Vol. 62, Iss. 4, pp. 817-833, https://doi.org/10.1365/s40702-025-01185-5 This Version is available at: https://hdl.handle.net/10419/330718 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by/4.0/deed.de SCHWERPUNKT https://doi.org/10.1365/s40702-025-01185-5 HMD Praxis der Wirtschaftsinformatik (2025) 62:817–833 Entwicklung von ML-basierten Vorhersagesystemen für den Energieverbrauch von Elektrobussen im öffentlichen Nahverkehr Marten Borchers · Hauke Volquardsen · Jan Willruth · Enrico Milutzki · Martin Semmann · Eva Bittner Eingegangen: 9. Januar 2025 / Angenommen: 22. April 2025 / Online publiziert: 21. Mai 2025 © The Author(s) 2025 Zusammenfassung Die Transformation des öffentlichen Personennahverkehrs (ÖPNV) hin zu emissionsneutralen Antrieben ist für die Erreichung der Nachhaltigkeitsziele der UN als auch nationaler Strategien unabdingbar. In der EU wird dies insbesondere durch den European Green Deal forciert, der vorschreibt, dass alle ÖPNV-Betriebe ihr Fahrzeugflotten bis 2050 auf nachhaltige Antriebstechnologien umstellen müssen. Dies erfolgt in Abwägung zwischen Kosten und Emissionen aktuell in erster Linie mit der Beschaffung und Inbetriebnahme elektrisch betriebener Busse (E-Busse). Betrieb und Einsatz weichen dabei von klassischen Dieselbussen ab, da die Reichweiten begrenzt und zudem von zahlreichen Faktoren abhängen. Erste adaptive, auf Machine Learning (ML) basierende Ansätze für die Vorhersage des Energieverbrauchs wurden bereits in der Wissenschaft untersucht, bleiben aber meist theoretischer Natur und eine praxisnahe Betrachtung unter Einbezug betrieblicher Daten fehlt. Der vorliegende Beitrag schließt diese Lücke und stellt die Ergebnisse, die in Kooperation mit der Hamburger Hochbahn AG erarbeitet wurden, vor. Mit einem anwendungszentrierten und gestaltungsorientierten Ansatz sind betriebliche Daten analysiert, fünfzehn Experteninterviews durchgeführt und mehrere ML-Modelle trainiert worden, um Energieverbräuche von E-Bussen mit einer durchschnittlichen Abweichung von unter 0,4% zuverlässig vorherzusagen. Dies als auch identifizierte Herausforderungen und acht fundierte Gestaltungsempfehlungen, die die Entwicklung von Vorhersagensystemen für E-Busse unterstützen, Marten Borchers · Jan Willruth · Enrico Milutzki · Eva Bittner Arbeitsbereich Wirtschaftsinformatik, Sozio-Technische Systemgestaltung (WISTS), Universität Hamburg, MIN-Fakultät, Hamburg, Deutschland E-Mail: [email protected] Hauke Volquardsen Fachbereich, Managementsysteme Bus, Hamburger Hochbahn AG, Hamburg, Deutschland Martin Semmann Hub of Computing and Data Science, Universität Hamburg, Hamburg, Deutschland K 818 M. Borchers et al. werden im Folgenden beschrieben, um die Transformation hin zur nachhaltigen und effizienten Mobilität zu fördern. Schlüsselwörter E-Busbetrieb · Machine Learning · Data Science · Energie Vorhersagensystem · ÖPNV · Smart Mobility Development of ML-based Prediction Systems for the Energy Consumption of Electric Buses in Public Transportation Abstract The transformation of local public transportation towards sustainable technologies is essential for achieving sustainability goals, such as those outlined by the UN and national strategies. The European Green Deal compels this in the EU and mandates that all public transport operators have to transition their vehicle fleets to sustainable propulsion technologies by 2050. This transition primarily focuses on procuring and deploying electric buses (e-buses), balancing cost and sustainability considerations. However, the operation and usage of e-buses deviate from traditional diesel buses due to their limited range, which is influenced by numerous factors. Initial adaptive approaches based on Machine Learning (ML) to predict the energy consumption of e-buses have been explored in academia. Nevertheless, these remain largely theoretical and lack practical insights incorporating operational data and processes. This contribution addresses this gap and presents the results of a collaboration with Hamburger Hochbahn AG. Employing a practical and design-oriented approach, we used and analyzed operational data, conducted fifteen expert interviews, and trained several ML models with an average deviation of below 0,4% to predict the energy consumption of e-buses. Our findings outline multiple challenges and eight derived design principles that serve as recommendations for developing prediction systems for e-buses to support the transformation toward sustainable mobility. Keywords E-bus operation · Machine learning · Data science · Energy prediction system · Public transport provider · Smart mobility 1 Einleitung Der Zugang zu zuverlässigen Mobilitätsdiensten ist für Bürgerinnen und Bürger entscheidend, um sich fortzubewegen und beruflichen als auch sozialen Aktivitäten nachzugehen. In urbanen Ballungsräumen und Städten sind leistungsfähige und emissionsneutrale Mobilitätsangebote zudem besonders wichtig, um den Bedarf an Parkraum, Straßen und Lärm zu reduzieren (Gabsalikhova et al. 2018) und Platz für z.B. Erholungsflächen und Parks zu schaffen (Vaithilingam et al. 2021). Diese Entwicklung findet sich auch in der Gesetzgebung und dem European Green Deal wieder, der vorschreibt, das alle öffentlichen Nahverkehrsunternehmen (ÖPNV) in Europa die CO2-Emissionen um 55% bis 2030 reduzieren und Neutralität bis 2050 (European Commission 2021) erreichen müssen. Hierfür sind elektronisch betriebeK Entwicklung von ML-basierten Vorhersagesystemen für den Energieverbrauch von... 819 ne Busse (E-Busse) entscheidend (Ruggieri et al. 2021). Gleichwohl ist die Transformation mit vielen ungeklärten Herausforderungen verbunden, wie von Ketter et al. (2023) beschreiben, da die Reichweiten von E-Bussen im Vergleich zu Dieselbussen deutlich geringer sind und stark von den zu fahrenden Strecken, Routen, Wetterbedingungen und weiteren Faktoren abhängen (Carrilero et al. 2018; Perumal et al. 2022). Derzeit arbeiten viele ÖPNV-Unternehmen bei der Berechnung der Reichweite bzw. des Energieverbrauchs mit pauschalen Kilometerverbräuchen und Erfahrungswerten, um E-Busse zu disponieren und sicherzustellen, dass die zugewiesenen Strecken vollständig abfahren und nicht außerplanmäßig ausgetauscht werden müssen. Dies erschwert Planung und Einsatz und kann Ausfälle, die Anzahl an Ladezyklen und Verschleiß begünstigen. In der Literatur werden aktuell vor allem analytische Ansätze und mathematische Ansätze beschrieben, die aber nur begrenzt übertragbar und wenn überhaupt, häufig auf E-Bus Daten von Teststrecken basieren (Perumal et al. 2022). Erkenntnisse über die Vorhersage des Energieverbrauchs, der als Stateof-Charge (SoC) bezeichnet wird (Wong et al. 2021), sind unzureichend, auch wenn erste auf künstlicher Intelligenz (KI) bzw. auf dem Machine Learning (ML) basierende Ansätze existierenden. Um öffentliche E-Bus-Betreiber dabei zu unterstützen, einen effektiven, effizienten und planbaren E-Busbetrieb zu betreiben (Perumal et al. 2022), werden folgende Forschungsfragen (FF) mit Echtdaten untersucht. FF1: Wie sollen ML-basierte IT-Artefakte gestaltet werden, um öffentliche Verkehrsanbieter im Betrieb elektrisch betriebener Busse zu unterstützen? FF2: Wie kann der Energieverbrauch von E-Bussen mithilfe von ML-Modellen zuverlässig vorhergesagt werden? Die Beantwortung der Forschungsfragen folgt dem Design-Science-Research Paradigma und erfolgt in Kooperation mit der Hamburger Hochbahn AG (HOCHBAHN), die den Zugang zu innerbetrieblichen Daten als auch unterschiedlichen Fachexpert:innen ermöglicht. Für die Beantwortung von FF1 wird aufbauend auf der Literatur und Workshops, ein Entscheidungsunterstützungssystem für den E-Bus Einsatz prototypisch implementiert und mit unterschiedlichen ÖPNV-Unternehmen evaluiert. Für die Beantwortung der FF2 werden mehrere ML-Modelle auf 24 Monaten Betriebsdaten der HOCHBAHN trainiert und evaluiert, um eine zuverlässige SoC-Vorhersage zu erreichen. 2 Grundlagen Im Folgenden werden die Grundlagen des E-Busbetriebs im ÖPNV beschrieben, bekannte Herausforderungen benannt und der existierenden Forschungsstand im Bereich der Energiebzw. SoC-Vorhersage wiedergegeben. K 820 M. Borchers et al. Abb. 1 Schematische Darstellung von Fahrtumläufen im ÖPNV-Busbetrieb 2.1 ÖPNV-Busbetrieb Eals auch Dieselbusse werden in Busdepot geladen, getankt und geparkt, wobei das Laden insb. über Nacht zutrifft, da der Großteil der Fahrzeuge tagsüber genutzt wird. Beim Einsatz bzw. der Disposition von Bussen werden die Fahrzeuge den zu fahrenden Strecken, die sich aus dem Linienfahrplan ergeben, zugeordnet. Dies inkludiert auch Umleitungen, die sich aus Baustellen, Straßensperrungen und weiteren Hindernissen ergeben. Busse werden fast immer auf Fahrtumläufen eingesetzt, die meist vier und zwölf Linienfahrten umfassen. Jeder Umlauf beginnt mit der Abfahrt vom Busdepot zur ersten Linienfahrt, auf der Personen befördert werden. Diese Fahrt wird als PullOut bezeichnet, während die Fahrt von der letzten Linie zurück zum Busdepot als Pull-In bezeichnet wird (vgl. Abb. 1). Dazwischen werden mehrere Linienfahrten durchgeführt und Personen befördert, bis die Linie bzw. der Bus die letzte Station erreicht hat. Dabei ist es möglich, dass dieselbe Linie in die andere Richtung zurückgefahren wird, sodass der Bus nur seine Fahrtrichtung ändert. Gleichwohl ist es aber auch möglich, dass der Bus zu einer anderen ggf. weiter entfernten Linie fahren muss, um den Personenverkehr wieder aufzunehmen. Diese Fahrten werden als Zwischenfahrten bzw. Deadhead bezeichnet. 2.2 Herausforderungen im Betrieb von E-Bussen Die schwankenden Reichweiten von E-Bussen erschweren dessen Einsatz und Betrieb. Dies trifft insb. zu, wenn einem E-Bus einen Umlauf zugewiesen wird, bei dem nur schwer abgeschätzt und nicht garantiert werden kann, dass dieser vollständig abgefahren wird (Zhang et al. 2021). Bei unzureichender Batterieladung führt dies dazu, dass der E-Bus im laufenden Betrieb ersetzt werden muss. Für den Austausch muss ein weiterer (E-)Bus sowie ein/e Fahrer/in zur Verfügung stehen, und alle Passagiere müssen an einer Station die Fahrzeuge wechseln, sofern dies nicht am Linienstart oder -ende erfolgen kann, was zu Verzögerungen führt und die Kundenzufriedenheit reduziert (Dirks 2021). Zusätzlich wird der Betrieb von E-Bussen durch längere Ladezyklen im Vergleich zu Dieselmotoren beeinträchtigt. Das vollständige Betanken von Dieselbussen dauert meist zehn bis fünfzehn Minuten, währenddiesbeiE-BussenstarkvonderLadeinfrastruktur, der Batteriekapazität und dem Energiezugang abhängt. Ladestationen mit geringer Leistung laden mit nur 50kWh, während Schnellladestationen 120kWh und Pantografen-Ladestationen 300kWh pro Stunde erreichen können. Letztere sind bis heute allerdings sehr kostenintensiv und aufgrund eines hohen Materialverschleißes nur für das gelegentliche K Entwicklung von ML-basierten Vorhersagesystemen für den Energieverbrauch von... 821 Laden geeignet (Perumal et al. 2022). In Hinblick auf die Batteriekapazitäten von 190 bis 400kWh bei E-Bussen erfordert ein vollständiger Ladezyklus an Ladestationen mit geringer Leistung 3,8 bis 8h und an Schnellladestationen 1,6 bis 3,3h (Badia und Jenelius 2021). 2.3 Vorhersage des Ladezustands von E-Bussen Es existieren verschiedene Ansätze zur Vorhersage des Ladezustands, der fast immer als State-of-Charge (SoC) angegeben wird und die Ladung der Batterie in Prozent von 0 bis 100% abbildet (Wong et al. 2021). Da die E-Bus-Batterien je nach Modell und ob Solooder Gelenkbus unterschiedliche Kapazitäten haben, sind bei Vergleichen die Modelltypen zu beachten und in der analytischen Literatur wird der SoC-Verbrauch pro Kilometer mit z.B. 0,8 bis 2,0kWh pro Kilometer angegeben (Basma et al. 2019; Zhang et al. 2021). Mithilfe von ML-Modellen können Energieverbräuche für ganze Umläufe und auch Linienfahrten vorhergesagt werden (vgl. Abb. 1). Bei Linienfahrten kann Mithilfe von Echtzeitdaten so auch der SoC über Zeit bzw. die Linienfahrten mit zunehmender Genauigkeit bestimmt werden, was bei Umläufen nicht möglich ist (Borchers et al. 2025). Szilassy und Földes (2022) entwickelten ein mathematisches Modell auf realen E-Bus-Daten, das zentrale Merkmale von Busrouten wie Strecke, Geschwindigkeit, Batteriekapazität, Passagieranzahl und Temperatur berücksichtigt. Das Modell erreicht eine durchschnittliche Abweichung von 6% des SoC bei Linienfahrten, weshalb diese eine Batteriereserve von bis zu 20% empfehlen. Blades et al. (2024) erforschten verschiedene ML-Modelle unter Verwendung von Echtzeitdaten und heben den Einfluss der Außentemperatur hervor, da diese sich bei besonders kalten als auch besonders hohen Temperaturen auf die Nutzung der Klimaanlage und Heizung und somit den Energieverbrauch auswirkt. Elmi und Tan (2021) untersuchten das SoC-Verhalten einer Fahrzeugflotte eines Unternehmens in Michigan und konzentrierten sich auf vier verschiedene Arten von Fahrzeugen, die mit Benzin, Strom oder beidem (hybrid) betrieben wurden, und trainierten verschiedene ML-Modelle und erreichten eine Abweichung von 3%, wobei hier auch E-Autos enthalten sind. Li et al. (2021) konzentrierten sich wiederum auf E-Busse in China und erreichten mit 163.800 Liniendaten eine durchschnittliche Abweichung von 1,79%, was die Nutzung pauschaler Kilometerverbräuche infrage stellt. 3 Methodisches Vorgehen Für die Beantwortung der Forschungsfragen wird auf das Design Science Research (DSR) Paradigma zurückgegriffen, da dies die Entwicklung von theoretischen als auch praktischen Wissen unterstützt. Ergebnisse können so als Gestaltungsund Handlungsempfehlungen formuliert und über die Entwicklung und Evaluation von IT-Artefakten erreicht werden. In der Praxis existierenden unterschiedliche DSR Vorgehensweisen und diese Arbeit folgt dem DSR-Modell von Peffers et al. (2007) und wird wie in Abb. 2dargestellt, durchgeführt. K 822 M. Borchers et al. Abb. 2 Methodisches Vorgehen nach Peffers et al. (2007) Die HOCHBAHN ist mit über 1100 Bussen und mehr als 6600 Mitarbeitenden das zweitgrößte deutsche ÖPNV-Unternehmen. Die HOCHBAHN setzt die Transformation hin zu E-Bussen seit 2017 um und inzwischen werden über 20% der Busse mit Elektromotoren betrieben. Für die Durchführung dieser Studie hat die HOCHBAHN Sensordaten der E-Busse bereitgestellt und den Zugang zu Expertinnen und Experten aus unterschiedlichen Fachbereichen ermöglicht. 3.1 Austausch und Diskussion mit E-Bus Expertinnen und Experten Für die Beantwortung der FF1 haben wir uns in Phase 2 mit der HOCHBAHN im Rahmen von zwei Workshops ausgetauscht und die Grundlage für die Experteninterviews erarbeitet. Nach der Entwicklung wurden mit weiteren Expertinnen und Experten der HOCHBAHN als auch aus anderen ÖPNV-Unternehmen Herausforderungen, Bedarfe und die entwickelten Lösungen diskutiert (Iivari et al. 2021). Das Interesse an der Thematik war überwältigend, da alle ÖPNV-Unternehmen in diesen Bereich vor vergleichbaren Herausforderungen stehen, sodass insgesamt neun verschiedene ÖPNV-Unternehmen und ein Anbieter von Busmanagementsystemen befragt werden konnten. Alle Experteninterviews wurden aufgezeichnet, transkribiert und nach der qualitativen induktiv-deduktiven Inhaltsanalyse nach Mayring (2014) ausgewertet. 3.2 Beschreibung und Analyse betrieblicher E-Bus Daten Als Grundlage für die Analyse und das Training von ML-Modellen hat die HOCHBAHN E-Bus Daten für einen Zeitraum von 24 Monaten (29.03.2021 bis 12.04.2023) mit insgesamt 98 unterschiedlichen E-Bussen und 353.271 Linienfahrten, die in der Stadt Hamburg und dessen Peripherie durchgeführt wurden, bereitgestellt. Die Daten stammen aus zwei unterschiedlichen Datenbanken und wurden mithilfe eines Skriptes zusammengeführt. Das erste System ist das Fahrgastinformationsund Managementsystem,dasDaten über Funk mit geringer Reichweite an den Bushaltestellen sammeln, indem E-Bus und Station sich miteinander verbinden. Hierdurch werden Angaben zu Ankunft und Abfahrt an Haltestellen, Busnummer, Liniennummer, Richtung, Art der K Entwicklung von ML-basierten Vorhersagesystemen für den Energieverbrauch von... 823 Tab. 1 Übersicht befragter Expertinnen und Experten Nr. Unternehmen Rolle Erfahrung (Jahre) Dauer (min) E1 ÖPNV 1 Einsatzleitung E-Bus Unbek. 40 E2 Leitender Technischer Referent Unbek. E3 ÖPNV 2 Leitung E-Bus Projekt 9 50 E4 Leitung E-Bus Beschaffung 9 E5 ÖPNV 3 Teamleitung E-Bus 2 54 E6 Leitung E-Bus Projekt 1 E7 ÖPNV 4 Leitung E-Bus Projekt 25 45 E8 ÖPNV 5 Leitung Busund Lademanagement 7 86 E9 ÖPNV 6 Leitung E-Bus Projekt 2 80 E10 ÖPNV 7 Leitung E-Bus Projekt 8 52 E11 Hersteller Abteilungsleiter Bus 22 87 E12 Leitung Depotmanagement 2 E13 Leitung Busmanagement 1 E14 ÖPNV 8 Leitung Technologie und Infrastruktur 11 42 E15 ÖPNV 9 Leitung E-Bus Projekt 12 35 Durchschnitt/Summe 8,5 571 Fahrt und Umlauf (vgl. Abb. 1) festgehalten. Das zweite System ist das Telemetriedatensystem. Dieses umfasst Telemetriedaten, die von allen E-Bussen im Sekundentakt übermittelt und zu Minutenreports aggregiert werden und Angaben wie Zeitstempel, Busnummer, Kilometerstand, Außentemperatur und State of Charge umfassen. Zudem wird die Bus-ID mitgesendet, sodass das Busmodell, der Batterietyp und die Kapazität bekannt sind. Beide Datensätze wurden zu einem Datensatz zusammengeführt und einzelne Werte wie Fahrtdauer und Distanzen berechnet. Dieser Datensatz beinhaltet 27 Attribute, die genutzt werden, um den SOCDiff, also den SoC Verbrauch auf einer Linie vorherzusagen, welcher als 28. Attribut im Datensatz enthalten ist (vgl. Anhang). Ergänzend dazu wurden über die SensorThings API des Landesbetrieb für Geoinformationen und Vermessung (LGV) in Hamburg Daten von 816 Infrarot-IoT-Sensoren, die vorbeifahrende Fahrzeuge zählen, genutzt, um Informationen über die Verkehrsdichte zu erhalten. Die Sensoren, die meist an Ampelanlagen vielbefahrender Straßen installiert sind, erfassen kontinuierlich Daten und zählen die Anzahl der auf den Hamburger Straßen fahrenden Fahrzeuge. 4 Ergebnisse und Handlungsempfehlungen Die Identifikation von Herausforderungen und Diskussion von Lösungen mit den unterschiedlichen Expertinnen und Experten verdeutlichte, dass viele ÖPNV-Anbieter vor ähnlichen Herausforderungen stehen und Systeme für die zuverlässige SoC-Vorhersage benötigen. Gleichwohl wurde ersichtlich, dass solche Systeme nicht nur in der Fahrtüberwachung, sondern auch Disposition eingesetzt werden können. K 824 M. Borchers et al. 4.1 Herausforderungen und Gestaltungsprinzipien Aktuell arbeiten alle ÖPNV-Unternehmen mit Batteriereserven von 10% bis 20%, um sicherzustellen, dass E-Busse zu fahrende Umläufe vollständig abfahren können. Dies begrenzt allerdings den Einsatz von E-Bussen, da diese hierdurch nicht immer auf allen Strecken eingesetzt und Dieselbusse teils bevorzugt werden, was zudem auch durch längere Ladezeiten verstärkt wird. Herausforderung 1: Begrenzter E-Bus Einsatz aufgrund geringerer Reichweiten und hohen Batteriereserven, die diesen Effekt verstärken. Herausforderung 2: Reduzierte E-Bus Verfügbarkeiten aufgrund langer Ladezeiten und hohen Batteriereserven. Herausforderung 3: Höheres Ausfallrisiko und Risiko einer betrieblichen Störung durch den Austausch von E-Bussen, wenn diese abzufahrenden Umläufe nicht beenden können. Herausforderung 4: Notwendigkeit höherer Batteriereserven und/oder weiterer (E-)Busse, Fahrerinnen und Fahrer, um kurzfristig E-Busse austauschen zu können. In den Diskussionen (vgl. Tab. 1) wurde zudem deutlich, dass neben den Bereichen, die für die Überwachung der fahrenden E-Busse auch die Disponenten und Busdepot SoC-Vorhersagen nutzen wollen. Während die Busüberwachung dafür zuständig ist, Busse bei Bedarf auszutauschen, weisen die Disponenten (E-)Busse den Umläufen zu und können bei zuverlässigen SoC-Vorhersagen die Einsatzzeiten von E-Bussen erhöhen, da bei zuverlässigen Vorhersagen geringer Batteriereserven ausreichen. Zudem können die Busdepots das Laden von E-Bussen besser planen, wenn diesen bekannt ist, mit welchem SoC ein E-Bus das Depot erreicht und auf welchem Umlauf dieser als nächstes fahren soll. Hierdurch wird unterstützt, dass E-Busse auch nur teilweise und nicht vollständig für die nächste Fahrt aufgeladen werden, da die benötigte Ladekapazität für den nächsten Umlauf Stunden im Voraus bekannt ist. Dies ist insbesondere bei Busdepots von geringer Größe und mit wenigen E-Ladesäulen hilfreich. Design-Prinzip 1: SoC-Vorhersagen-Systeme sollen so gestaltet werden, dass die Busdisponenten den SoC für vollständige Umläufe vorab und für infrage kommende Umläufe angezeigt bekommen, um E-Busse effektiv zuzuweisen und deren Betriebszeiten zu erhöhen. Design-Prinzip 2: SoC-Vorhersagen-Systemesollen so gestaltet werden, dass diese auf Linienund Umlaufebene die Busüberwachung unterstützen und aktiv auf geringe SoC hinweisen, um den planbaren Austausch von E-Busen unterstützen. Design-Prinzip 3: SoC-Vorhersagen-Systeme sollen den zu erwartenden SoC beim Pull-In (automatisch) an die Busdepots kommunizieren, damit diese die Platzierung und das Aufladen von E-Bussen optimieren können. Design-Prinzip 4: SoC-Vorhersagen sollen intuitiv lesbar und nachvollziehbar sein und möglichst in bereits vorhandene Systeme integriert werden. Während Design-Prinzip 1 die Einsatzplanung der E-Busse betrifft, adressiert Design-Prinzip 2 die Busüberwachung, auf der in dieser Arbeit der Fokus liegt K Entwicklung von ML-basierten Vorhersagesystemen für den Energieverbrauch von... 831 da der Großteil der E-Busse der HOCHBAHN nur wenige Jahre alt ist und keine Daten hierzu vorliegen. In Hinblick auf die von Herstellern ausgegeben sieben bis acht Jahre Batterielebenszeit kann dieser Faktor in den kommenden zwei bis drei Jahren aber an Bedeutung gewinnen. Im Kontext dieser Entwicklung ist zudem zu untersuchen, ob mithilfe von Differenzen zwischen SoC-Vorhersage und Messung auch auf Materialermüdung und Verschleiß bei E-Bussen geschlossen werden kann, um die proaktive Wartung zu unterstützen und den Fokus von FF1 erweitert (Rücker et al. 2024). Insgesamt fassen die identifizierten Herausforderungen aktuelle Problem zusammen und tragen mit den hergeleiteten Handlungsempfehlungen in Form von DesignPrinzipien und den entwickelten SoC-Vorhersagemodellen zur nachhaltigen Mobilität im Rahmen des European Green Deal bei und bieten eine wertvolle Grundlage für die praktische Umsetzung im ÖPNV. 6 Anhang Für die Erstellung des Datensatzes für das Training der ML-Modelle wurden die Sensordaten der HOCHBAHN und berechnete Werte genutzt. Der abschließende Datensatz beinhaltet folgende 28 Attribute, um den SOCDiff (Wert 28) vorherzusagen. 1. CircID: Eindeutige ID des Fahrtumlaufs 2. CircNr: Nummer, die Umläufe identifiziert, die aus denselben Fahrten bestehen 3. TripID: Eindeutige Kennung für eine Fahrt, die aus n≥1 Haltestellen besteht 4. TripNr: Nummer, die Fahrten identifiziert, die aus denselben Haltestellen bestehen 5. BusNr: Nummer, die einen Bus (Fahrzeug) eindeutig identifiziert 6. BusType: Bus-Typ (Gelenkbus oder Solo-Bus) 7. BusModel: Bus Model (z.B. EvoBus, eCitaro, Solaris etc.) 8. BatType: Typ der im Bus verwendeten Batterie 9. BatCap: Maximale Batteriekapazität in kWh (bewertet vom Hersteller) 10. BatRange: Maximale Batteriereichweite in km (bewertet vom Hersteller) 11. Line: Busliniennummer, die die Route angibt, die der Bus fährt 12. FahrtCode: Code, der die Art der Fahrt identifiziert (Linienfahrt, Pull-Out, PullIn, Deadhead) 13. StartEndStop: Identifiziert die Startund Endhaltestelle einer Fahrt 14. Year: Jahr, in dem die Fahrtdaten erfasst wurden 15. Month: Monat, in dem die Fahrtdaten erfasst wurden 16. Weekday: Wochentag, an dem die Fahrt stattfand 17. Hour: Stunde des Tages, zu der die Fahrt begonnen hat 18. TempMin: Minimale Temperatur während der Fahrt 19. TempAvg: Durchschnittstemperatur während der Fahrt 20. TempMax: Maximale Temperatur während der Fahrt 21. MinuteStampStart: Zeitstempel, der den Beginn der Fahrt markiert 22. MinuteStampEnd: Zeitstempel, der das Ende der Fahrt markiert K 832 M. Borchers et al. 23. TripLength: Gesamtdistanz der Fahrt in Kilometern 24. TripTime: Gesamtdauer der Fahrt in Minuten 25. SpeedAvg: Durchschnittliche Geschwindigkeit des Busses während der Fahrt in Kilometern pro Stunde 26. SOCStart: State of Charge (Ladezustand) der Batterie zu Beginn der Fahrt 27. SOCEnd: State of Charge der Batterie am Ende der Fahrt 28. SOCDiff: Differenz des State of Charge der zu Beginn und am Ende der Fahrt gemessen wurde und den Verbrauch wiedergibt. Danksagung Diese Arbeit ist im Rahmen einer bestehenden und andauernden Kooperation mit der Hamburger Hochbahn AG (HOCHBAHN) entstanden. Ein besonderer Dank gilt Frau Johanna Ahrens (Fachbereichsleitung Managementsysteme Bus), Herrn Felix Schmidt (Fachbereich Managementsysteme Bus) und Herrn Jan Krause (Corporate Innovation Manager im Bereich Hamburg-Takt), die diese Arbeit ermöglichten und mit betrieblichen Daten, Prozessund Fachwissen bereicherten. Funding Open Access funding enabled and organized by Projekt DEAL. Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen. Weitere Details zur Lizenz entnehmen Sie bitte der Lizenzinformation auf http://creativecommons.org/licenses/by/ 4.0/deed.de. Literatur Alarrouqi RA, Bayhan S, Al-Fagih L (2024) An assessment of the energy performance of battery-electric buses in hot environments. Sustain Energy Grids Netw 38:101352. https://doi.org/10.1016/j.segan. 2024.101352 Badia H, Jenelius E (2021) Design and operation of feeder systems in the era of automated and electric buses. Transp Res Part A Policy Pract 152:146–172. https://doi.org/10.1016/j.tra.2021.07.015 Basma H, Mansour C, Haddad M, Nemer M, Stabat P (2019) Comprehensive energy assessment of battery electric buses and diesel buses. 32nd International Conference on Efficiency, Cost, Optimization, Simulation and Environmental Impact of Energy Systems. (https://hal.science/hal-02169856) Blades LAW, Matthews T, McGrath TE, Early J, Cunningham G, Harris A (2024) Predicting energy consumption of zero emission buses using route feature selection methods. Transp Res Part D Transp Environ 130:104158. https://doi.org/10.1016/j.trd.2024.104158 Borchers M, Milutzki E, Bittner E (2025) Designing ML-based prediction systems for the energy consumption of electric buses to support public transport providers. Proceedings of the 58th Hawaii International Conference on System Sciences. Hawaii International Conference on System Sciences, USA. https://doi.org/https://hdl.handle.net/10125/109050 Carrilero I, González M, Anseán D, Viera JC, Chacón J, Pereirinha PG (2018) Redesigning European public transport: impact of new battery technologies in the design of electric bus fleets. Transp Res Procedia 33:195–202. https://doi.org/10.1016/j.trpro.2018.10.092 Chicco D, Warrens MJ, Jurman G (2021) The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Comput Sci 7:e623. https://doi.org/10.7717/peerj-cs.623 Dirks NBF (2021) On the transformation of public mobility services toward more sustainability. https:// publications.rwth-aachen.de/record/837066/files/837066.pdf K Entwicklung von ML-basierten Vorhersagesystemen für den Energieverbrauch von... 833 Elmi S, Tan K-L (2021) DeepFEC: energy consumption prediction under real-world driving conditions for smart cities. In: Proceedings of the Web Conference 2021, S 1880–1890 https://doi.org/10.1145/ 3442381.3449983 European Commission (2021) A European Green Deal. https://commission.europa.eu/strategy-and-policy/ priorities-2019-2024/european-green-deal_en Gabsalikhova L, Sadygova G, Almetova Z (2018) Activities to convert the public transport fleet to electric buses. Transp Res Procedia 36:669–675. https://doi.org/10.1016/j.trpro.2018.12.127 Guastella DA, Cornelis B, Bontempi G (2023) Traffic simulation with incomplete data: the case of Brussels. In: Proceedings of the 1st ACM SIGSPATIAL international workshop on methods for enriched mobility data: emerging issues and ethical perspectives 2023, S 15–24 https://doi.org/10.1145/ 3615885.3628004 Iivari J, Rotvit Perlt Hansen M, Haj-Bolouri A (2021) A proposal for minimum reusability evaluation of design principles. Eur J Inf Syst 30(3):286–303. https://doi.org/10.1080/0960085X.2020.1793697 Ketter W, Schroer K, Valogianni K (2023) Information systems research for smart sustainable mobility: a framework and Call for action. Inf Syst Res 34(3):1045–1065. https://doi.org/10.1287/isre.2022. 1167 Li Z (2022) Extracting spatial effects from machine learning model using local interpretation method: an example of SHAP and XGboost. Comput Environ Urban Syst 96:101845. https://doi.org/10.1016/j. compenvurbsys.2022.101845 Li P, Zhang Y, Zhang Y, Zhang Y, Zhang K (2021) Prediction of electric bus energy consumption with stochastic speed profile generation modelling and data driven method based on real-world big data. Appl Energy 298:117204. https://doi.org/10.1016/j.apenergy.2021.117204 Lukyanenko R, Maass W, Storey VC (2022) Trust in artificial intelligence: from a foundational trust framework to emerging research opportunities. Electron Markets 32(4):1993–2020. https://doi.org/ 10.1007/s12525-022-00605-4 Mayring P (2014) Qualitative content analysis: theoretical foundation, basic procedures and software solution. https://nbn-resolving.org/urn:nbn:de:0168-ssoar-395173 Peffers K, Tuunanen T, Rothenberger MA, Chatterjee S (2007) A design science research methodology for information systems research. J Manag Inf Syst 24(3):45–77. https://doi.org/10.2753/MIS07421222240302 Perumal SSG, Lusby RM, Larsen J (2022) Electric bus planning & scheduling: a review of related problems and methodologies. Eur J Oper Res 301(2):395–413. https://doi.org/10.1016/j.ejor.2021.10.058 Rücker F, Figgener J, Schoeneberger I, Sauer DU (2024) Battery electric vehicles in commercial fleets: use profiles, battery aging, and open-access data. J Energy Storage 86:111030. https://doi.org/10.1016/j. est.2024.111030 Ruggieri R, Ruggeri M, Vinci G, Poponi S (2021) Electric mobility in a smart city: European overview. Energies 14(2):Article 2. https://doi.org/10.3390/en14020315 Sun J, Li X, Sun Y, Li Y (2011) The evaluation of urban residents’ life quality in Beijing, China based on factor analysis. In: 2011 19th International Conference on Geoinformatics, S 1–6 https://doi.org/10. 1109/GeoInformatics.2011.5980929 Szilassy PÁ, Földes D (2022) Consumption estimation method for battery-electric buses using general line characteristics and temperature. energy 261:125080. https://doi.org/10.1016/j.energy.2022.125080 Tepe B, Jablonski S, Hesse H, Jossen A (2023) Lithium-ion battery utilization in various modes of e-transportation. eTransportation 18:100274. https://doi.org/10.1016/j.etran.2023.100274 Vaithilingam S, Teh P-L, Ahmed P, Ho S-J, Nair M, Tan CP (2021) Sustainable smart transportation system: through the lens of a smart city in an emerging country. ICEB 2021 Proceedings, Nanjing (https://aisel.aisnet.org/iceb2021/25) Wong KL, Bosello M, Tse R, Falcomer C, Rossi C, Pau G (2021) Li-Ion batteries state-of-charge estimation using deep LSTM at various battery specifications and discharge cycles. Proceedings of the Conference on Information Technology for Social Good, S 85–90 https://doi.org/10.1145/3462203. 3475878 Zhang W, Zhao H, Xu M (2021) Optimal operating strategy of short turning lines for the battery electric bus system. Commun Transportation Res 1:100023. https://doi.org/10.1016/j.commtr.2021.100023 Hinweis des Verlags Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral. K