Traffic aware 1 Hz energy modeling and regenerative braking analysis of e-bus operations using real-world data

Öz

Context—Improving energy efficiency in electric public transportation systems is critical for reducing operational costs, ensuring service reliability, and extending vehicle driving range under real-world traffic conditions. However, much of the existing literature relies on route-averaged energy indicators, which fail to capture the highly dynamic and nonlinear interactions among traffic congestion, vehicle longitudinal dynamics, regenerative braking behavior, and driver control strategies. This gap limits the understanding of how traffic-induced variability and operational behavior jointly shape energy consumption in electric bus (E-Bus) systems.

Objective—The primary objective of this study is to develop and demonstrate a high-resolution, traffic-aware energy modeling framework capable of revealing the fine-scale mechanisms governing energy consumption in E-Bus operation. Specifically, the study aims to quantify the impacts of traffic congestion, driving behavior, and control strategies—both human-driven and autonomous—on energy use and regenerative braking performance.

Method—The proposed framework is built upon second-by-second (1 Hz) real-world operational data collected along an urban transit route. It integrates traffic congestion indicators with longitudinal vehicle dynamics, regenerative braking processes, and machine-learning-based classification of driving behavior. This multi-layered modeling approach enables a detailed temporal analysis of energy flows, acceleration variability, braking frequency, and energy recovery under varying traffic and control conditions.

Results—The analysis shows that the commonly reported route-level average energy consumption of 3.3 kWh/km conceals substantial temporal variability driven primarily by congestion-induced stop-and-go operation. Traffic congestion increases total energy consumption by up to 22%, not merely due to lower cruising speeds, but through elevated acceleration variability and braking frequency. To maintain optimal driving range, approximately 78.32% of total braking energy must be recovered via regenerative braking, a requirement found to be highly sensitive to traffic conditions and driving strategy. While inter-driver differences in total energy consumption remain moderate (6–9%), pronounced disparities are observed in acceleration smoothness and braking intensity, which accumulate to meaningful fleet-level energy impacts. Under comparable traffic conditions, autonomous driving operation achieves an 11–14% reduction in total energy consumption and a 9–12% increase in regenerative braking utilization compared to human-driven operation.

Conclusion—The findings demonstrate that energy efficiency in E-Bus systems is jointly governed by traffic dynamics and control behavior, rather than by average operating conditions alone. Behavior-aware driving strategies and autonomous control technologies emerge as key enablers for improving energy efficiency and energy recovery in next-generation electric public transport systems. Future research should further explore adaptive control and traffic-responsive energy management strategies at the fleet and network levels.

 

Anahtar Kelimeler

• autonomous driving
• E-Bus
• machine learning
• regenerative braking
• traffic aware energy modeling
• urban public transport.

Gerçek Dünya Verilerini Kullanarak Elektrikli Otobüs Operasyonlarının Trafik Bilinçli 1 Hz Enerji Modellemesi ve Rejeneratif Frenleme Analizi

Öz

Arka Plan—Elektrikli toplu taşıma sistemlerinde enerji verimliliğinin iyileştirilmesi, işletme maliyetlerinin azaltılması, hizmet güvenilirliğinin sağlanması ve gerçek trafik koşullarında araç sürüş menzilinin artırılması açısından kritik öneme sahiptir. Bununla birlikte, mevcut literatürün önemli bir bölümü, trafik sıkışıklığı, aracın boylamsal dinamikleri, rejeneratif frenleme davranışı ve sürücü kontrol stratejileri arasındaki yüksek düzeyde dinamik ve doğrusal olmayan etkileşimleri ortaya koymakta yetersiz kalan rota ortalamalı enerji göstergelerine dayanmaktadır. Bu durum, trafik kaynaklı değişkenlik ile operasyonel davranışın Elektrikli Otobüs (E-Bus) sistemlerinde enerji tüketimini birlikte nasıl şekillendirdiğinin anlaşılmasını sınırlamaktadır.

Amaç—Bu çalışmanın temel amacı, E-Bus işletiminde enerji tüketimini yöneten ince ölçekli mekanizmaları ortaya koyabilen, yüksek çözünürlüklü ve trafik farkındalığına sahip bir enerji modelleme çerçevesi geliştirmek ve uygulamaktır. Bu kapsamda çalışmada, trafik sıkışıklığının, sürüş davranışının ve insan sürücülü ve otonom sürüş olmak üzere kontrol stratejilerinin enerji tüketimi ve rejeneratif frenleme performansı üzerindeki etkilerinin nicel olarak belirlenmesi amaçlanmıştır.

Yöntem—Önerilen çerçeve, kentsel bir toplu taşıma güzergâhı boyunca toplanan saniye bazlı (1 Hz) gerçek dünya işletim verileri üzerine kurulmuştur. Çalışmada trafik sıkışıklığı göstergeleri; aracın boylamsal dinamikleri, rejeneratif frenleme süreçleri ve sürüş davranışının makine öğrenmesi tabanlı sınıflandırılması ile bütünleştirilmiştir. Bu çok katmanlı modelleme yaklaşımı, farklı trafik ve kontrol koşulları altında enerji akışlarının, ivmelenme değişkenliğinin, frenleme sıklığının ve enerji geri kazanımının ayrıntılı zamansal analizine olanak sağlamıştır.

Bulgular—Analiz sonuçları, yaygın olarak raporlanan 3,3 kWh/km düzeyindeki rota bazlı ortalama enerji tüketiminin, esas olarak trafik sıkışıklığının neden olduğu dur-kalk işletiminden kaynaklanan önemli zamansal değişkenliği gizlediğini göstermiştir. Trafik sıkışıklığı, yalnızca daha düşük seyir hızları nedeniyle değil, artan ivmelenme değişkenliği ve frenleme sıklığı aracılığıyla toplam enerji tüketimini %22'ye kadar artırmaktadır. Optimum sürüş menzilinin korunabilmesi için toplam frenleme enerjisinin yaklaşık %78,32'sinin rejeneratif frenleme yoluyla geri kazanılması gerektiği ve bu gereksinimin trafik koşullarına ve sürüş stratejisine karşı oldukça duyarlı olduğu belirlenmiştir. Sürücüler arasındaki toplam enerji tüketimi farklılıkları orta düzeyde (%6–9) kalırken, ivmelenme düzgünlüğü ve frenleme şiddeti açısından belirgin farklılıklar gözlenmiş ve bu farklılıkların filo düzeyinde anlamlı enerji etkileri oluşturduğu görülmüştür. Benzer trafik koşulları altında, otonom sürüş işletimi insan sürücülü işletime kıyasla toplam enerji tüketiminde %11–14 oranında azalma ve rejeneratif frenleme kullanımında %9–12 oranında artış sağlamıştır.

Sonuç—Bulgular, E-Bus sistemlerinde enerji verimliliğinin yalnızca ortalama işletim koşulları tarafından değil, trafik dinamikleri ve kontrol davranışının ortak etkisi tarafından belirlendiğini ortaya koymaktadır. Davranış farkındalığına sahip sürüş stratejileri ve otonom kontrol teknolojileri, yeni nesil elektrikli toplu taşıma sistemlerinde enerji verimliliğinin ve enerji geri kazanımının iyileştirilmesi için temel olanaklar olarak öne çıkmaktadır. Gelecekteki çalışmaların, filo ve ağ düzeylerinde uyarlanabilir kontrol ve trafiğe duyarlı enerji yönetimi stratejilerini daha ayrıntılı biçimde araştırması gerekmektedir.

Anahtar Kelimeler

• otonom sürüş
• Elektrikli otobüs
• makine öğrenimi
• rejeneratif frenleme
• trafiğe duyarlı enerji modellemesi
• kentsel toplu taşıma.

Kaynakça

1. Z. Zhang, B. Ye, S. Wang, Y. Ma, “Analysis and estimation of energy consumption of electric buses using real-world data”, Transportation Research Part D-Transport and Environment, 126, 104017, 2024. https://doi.org/10.1016/j.trd.2023.104017.
2. P. Wang, Q. Liu, N. Xu, Y. Ou, Y. Wang, Z. Q. Meng, N. Liu, J. Y. Fu, J. C. Li, “Energy Consumption Estimation Method of Battery Electric Buses Based on Real-World Driving Data”, World Electric Vehicle Journal, 15(7), 314, 2024. https://doi.org/10.3390/wevj15070314.
3. S. Mamarikas, S. Doulgeris, N. Aletras, C. K. L. Wong, Z. Samaras, L. Ntziachristos, “Expressing the energy consumption of electric buses with mesoscopic traffic variables”, Atmospheric Environment-X, 27, 100367, 2025. https://doi.org/10.1016/j.aeaoa.2025.100367.
4. Y. L. Zhang, W. Yuan, Y. Wang, Y. J. Pan, “Recognition model for eco-driving behavior of electric-buses entering and leaving stops”, Energy, 321, 135466, 2025. https://doi.org/10.1016/j.energy.2025.135466.
5. R. Zhang, E. J. Yao, “Electric vehicles’ energy consumption estimation with real driving condition data”, Transportation Research Part D-Transport and Environment, 41, 177–187, 2015. https://doi.org/10.1016/j.trd.2015.10.010.
6. S. T. Nan, R. Tu, T. Z. Li, J. Sun, H. B. Chen, “From driving behavior to energy consumption: A novel method to predict the energy consumption of electric bus”, Energy, 261, 125188, 2022. https://doi.org/10.1016/j.energy.2022.125188.
7. L. Zhao, W. Yao, Y. Wang, J. Hu, “Machine Learning-Based Method for Remaining Range Prediction of Electric Vehicles”, IEEE Access, 8, 212423–212441, 2020. https://doi.org/10.1109/ACCESS.2020.3039815.
8. Y. E. Ekici, O. Akdag, A. A. Aydin, T. Karadag, “A novel energy consumption prediction model of electric buses using real-time big data from route, environment, and vehicle parameters”, IEEE Access, 2, 104305-104322, 2023. https://doi.org/10.1109/ACCESS.2023.3316362.

9. Y. C. Chen, Y. T. Zhang, R. X. Sun, “Data-driven estimation of energy consumption for electric bus under real-world driving conditions”, Transportation Research Part D-Transport and Environment, 98, 102969, 2021. https://doi.org/10.1016/j.trd.2021.102969.
10. M. A. Rahman, D. Holt, Y. Farajpour, A. Mammeri, H. Khiabani, “Predictive modeling of energy demands for battery electric buses using real-world data”, Energy Informatics, 8, 118, 2025. https://doi.org/10.1186/s42162-025-00564-y.
11. S. Skarlis, A. Nikiforiadis, A. Kortsari, J. M. S. Grau, G. Ayfantopoulou, “Mathematical modeling using real driving data for decision making in city buses electrification”, Case Studies on Transport Policy, 22, 101633, 2025. https://doi.org/10.1016/j.cstp.2025.101633.
12. Z. Dabčević, B. Škugor, I. Cvok, J. Deur, “A Trip-Based Data-Driven Model for Predicting Battery Energy Consumption of Electric City Buses”, Energies, 17(4), 911, 2024. https://doi.org/10.3390/en17040911.
13. T. Pamuła, W. Pamuła, “Estimation of the Energy Consumption of Battery Electric Buses for Public Transport Networks Using Real-World Data and Deep Learning”, Energies, 13(9), 2340, 2020. https://doi.org/10.3390/en13092340.
14. A. S. Al-Ogaili, A. Ramasamy, T. J. T. Hashim, A. N. Al-Masri, Y. Hoon, M. N. Jebur, R. Verayiah, M. Marsadek, “Estimation of the energy consumption of battery driven electric buses by integrating digital elevation and longitudinal dynamic models: Malaysia as a case study”, Applied Energy, 280, 115873, 2020. https://doi.org/10.1016/j.apenergy.2020.115873.
15. M. Smieszek, V. Mateichyk, J. Mosciszewski, N. Kostian, “Study of the Energy Consumption of Buses with Different Power Plants in Urban Traffic Conditions”, Energies, 18(24), 6611, 2025. https://doi.org/10.3390/en18246611.
16. I. H. Chung, “Exploring the economic benefits and stability of renewable energy microgrids with controllable power sources under carbon fee and random outage scenarios”, Energy Reports, 13, 6017–6041, 2025. https://doi.org/10.1016/j.egyr.2025.05.022.
17. J. Li, F. Wang, Y. He, “Electric vehicle routing problem with battery swapping considering energy consumption and carbon emissions”, Sustainability, 12(24), 10537, 2020. https://doi.org/10.3390/su122410537.
18. J. Valladolid, M. Calle, A. Guiracocha, “Analysis of regenerative braking efficiency in an electric vehicle through experimental tests”, Ingenius-Revista De Ciencia Y Tecnologia, 29, 24–30, 2023. https://doi.org/10.17163/ings.n29.2023.02.
19. Y. E. Ekici, T. Karadag, O. Akdag, A. A. Aydin, H. O. Tekin, “Tailoring Energy Efficiency for Urban Electric Buses: The GTECM Model for Enhanced Range and Sustainable Operation Using Real-Time Big Data”, IEEE Transactions on Intelligent Transportation Systems, 26(8), 12600–12614, 2025. https://doi.org/10.1109/TITS.2025.3558147.
20. C. Lv, J. Zhang, Y. Li, Y. Yuan, "Regenerative Braking Control Algorithm for an Electrified Vehicle Equipped with a By-Wire Brake System," SAE 2014 World Congress & Exhibition, Detroit, Michigan, United States, 08 April 2014. https://doi.org/10.4271/2014-01-1791.
21. Y. E. Ekici, T. Karadag, O. Akdag, “Redefining urban mobility: Real-world regenerative braking optimization via bio-inspired AI for electric buses energy efficiency”, Energy, 338, 138854, 2025. https://doi.org/10.1016/j.energy.2025.138854.
22. D. Ghosh, M. Y. Wang, E. Wolfe, K. H. Chen, S. Kaushik, T. Y. Han, “Energy Efficient HVAC System with Spot Cooling in an Automobile - Design and CFD Analysis”, SAE International Journal of Passenger Cars-Mechanical Systems, 5(2), 885-903, 2012. https://doi.org/10.4271/2012-01-0641.
23. P. S. Li, Y. H. Zhang, Y. Zhang, K. Zhang, “Prediction of electric bus energy consumption with stochastic speed profile generation modelling and data driven method based on real-world big data”, Applied Energy, 298, 117204, 2021. https://doi.org/10.1016/j.apenergy.2021.117204.
24. S. Çeven, A. Albayrak, R. Bayır, “Real-time range estimation in electric vehicles using fuzzy logic classifier”, Computers & Electrical Engineering, 83, 106577, 2020. https://doi.org/10.1016/j.compeleceng.2020.106577.
25. A. P. Budijono, I. N. Sutantra, A. S. Pramono, “Optimizing regenerative braking on electric vehicles using a model-based algorithm in the antilock braking system”, International Journal of Power Electronics and Drive Systems (IJPEDS), 14(1), 131–139, 2023. http://doi.org/10.11591/ijpeds.v14.i1.pp131-139.
26. S. Pelletier, O. Jabali, J. E. Mendoza, G. Laporte, “The electric bus fleet transition problem”, Transportation Research Part C-Emerging Technologies, 109, 174–193, 2019. https://doi.org/10.1016/j.trc.2019.10.012.
27. A. A. Heidari, S. Mirjalili, H. Faris, I. Aljarah, M. Mafarja, H. Chen, “Harris hawks optimization: Algorithm and applications”, Future Generation Computer Systems - The International Journal of Escience, 97, 849–872, 2019. https://doi.org/10.1016/j.future.2019.02.028.
28. C. De Cauwer, W. Verbeke, T. Coosemans, S. Faid, J. Van Mierlo, “A data-driven method for energy consumption prediction and energy-efficient routing of electric vehicles in real-world conditions”, Energies, 10(5), 608, 2017. https://doi.org/10.3390/en10050608.
29. S. Khatoon, M. Shahid, Ibraheem, H. Chaudhary, “Dynamic modeling and stabilization of quadrotor using PID controller”, Proceedings of the nternational Conference on Advances in Computing, Communications and Informatics (ICACCI), New Delhi, India, 24-27 September 2014. https://doi.org/10.1109/ICACCI.2014.6968383.
30. P. S. Li, Y. Zhang, Y. Zhang, K. Zhang, M. Y. Jiang, “The effects of dynamic traffic conditions, route characteristics and environmental conditions on trip-based electricity consumption prediction of electric bus”, Energy, 218, 119437, 2021. https://doi.org/10.1016/j.energy.2020.119437.
31. H. C. Huang, K. Gao, Y. Z. Wang, A. Najafi, Z. Zhang, H. D. He, “Sequence-aware energy consumption prediction for electric vehicles using pre-trip realistically accessible data”, Applied Energy, 401(A), 126673, 2025. https://doi.org/10.1016/j.apenergy.2025.126673.
32. W. S. Vaz, A. K. Nandi, U. O. Koylu, “A Multiobjective Approach to Find Optimal Electric-Vehicle Acceleration: Simultaneous Minimization of Acceleration Duration and Energy Consumption”, IEEE Transactions on Vehicular Technology, 65(6), 4633–4644, 2016. https://doi.org/10.1109/TVT.2015.2497246.
33. Y. E. Ekici, O. Akdağ, N. Yildiran, T. Karadag, “The Impact of Driver Behavior on Electric Bus Energy Consumption: Optimizing Driver Performance with Bio-Inspired WUTP Algorithm with Real-Time Big Data”, International Journal of Automotive Science and Technology, 9(4), 602–617, 2025. https://doi.org/10.30939/ijastech..1789079.
34. Y. E. Ekici, T. Karadag, O. Akdag, A. A. Aydin, “Effect of outside temperature on energy consumption of electric vehicles: Real-time big data and artificial intelligence-aided seaHorse optimization approach”, Journal of the Faculty of Engineering and Architecture of Gazi University, 40(4), 2025. https://doi.org/10.17341/gazimmfd.1623529.
35. Bozankaya, “E-BUS”, https://www.bozankaya.com.tr/elektrikli-otobus (16.01.2026).
36. Y. E. Ekici, T. Karadag, A. A. Aydin, O. Akdag, “Impact of Outside Temperature on Driving Range and Energy Consumption Using Real-Time Big Data for Electric Buses”, 8th International Artificial Intelligence and Data Processing Symposium (IDAP), Malatya, Türkiye, 21-22 September 2024. https://doi.org/10.1109/IDAP64064.2024.10710801.