Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/330718 
Erscheinungsjahr: 
2025
Quellenangabe: 
[Journal:] HMD Praxis der Wirtschaftsinformatik [ISSN:] 2198-2775 [Volume:] 62 [Issue:] 4 [Publisher:] Springer Fachmedien Wiesbaden GmbH [Place:] Wiesbaden [Year:] 2025 [Pages:] 817-833
Verlag: 
Springer Fachmedien Wiesbaden GmbH, Wiesbaden
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, werden im Folgenden beschrieben, um die Transformation hin zur nachhaltigen und effizienten Mobilität zu fördern.
Zusammenfassung (übersetzt): 
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.
Schlagwörter: 
E‑Busbetrieb
Machine Learning
Data Science
Energie Vorhersagensystem
ÖPNV
Smart Mobility
E‑bus operation
Energy prediction system
Public transport provider
Persistent Identifier der Erstveröffentlichung: 
Creative-Commons-Lizenz: 
cc-by Logo
Dokumentart: 
Article
Dokumentversion: 
Published Version

Datei(en):
Datei
Größe





Publikationen in EconStor sind urheberrechtlich geschützt.