When the Timetable Breaks: Physics-Anchored Scientific Machine Learning for Cold-Wave-Robust Battery-Electric Bus Operations

本論文は、冬季の低温環境下における電動バスの運用不可能化リスク（客室暖房による過度な放電）を、リアル天候データと物理ベース機械学習を組み合わせたシミュレーション枠組み『WeatherRobustBus』で定量化した研究である。トロント市営バスの実60ブロック路線を対象に、EnergyPlusによる独立検証を通じて年間RMSE 0.213kWhを達成し、純粋なML手法（-12℃以下で1.5～4倍悪化）を大幅に凌駕した。[L3]

実装価値は高く、機会充電・補助加熱・充電バッファの組み合わせ政策により、8日間の寒波期間における運用不可率を75.9%から11.2%に削減できることを示した。アブレーション分析により、機会充電が主要な改善要因（1.5倍以上）で、補助加熱はコスト効率的な補足手段であることが実証されている。実路線・実天候・実車両ブロックでの検証であり、再現性と信頼度は高い。[L3]

日本市場への含意として、北海道・東北の寒冷地運輸事業者が電動バス導入時に直面する冬季信頼性課題に対し、本フレームワークは即応用可能なデジタルツールを提供する。ただしバッテリー材料・化学そのものの革新ではなく、既存LiBの運用最適化にとどまるため、投資テーマ（全固体電池・高エネルギー密度化）との関連度は中程度である。[L3]