Utična hibridna električna vozila (engl. Plug-in Hybrid Electric Vehicle, PHEV) predstavljaju jednu od ključnih tranzicijskih tehnologija prema energetski učinkovitom, čistom, tihom i održivom transportu u budućnosti. Budući da su vozni ciklusi vezani uz uvjete vožnje i ponašanje vozača, oni su od ključnog značaja za procjenu potrošnje energije i emisija štetnih plinova, te se naširoko koriste kod projektiranja i parametriranja strukture PHEV pogona i njegove upravljačke strategije. Većina studija vezanih uz PHEV kao i druge tipove vozila temelje se na certifikacijskim voznim ciklusima, koji ne uzimaju u obzir realne uvjete vožnje uključujući nagib ceste, već se temelje na "umjetno" generiranom profilu brzine vozila u ovisnosti o vremenu. Međutim, za potrebe projektiranja i ispitivanja sustava upravljanja vozilom trebali bi se koristiti realistični vozni ciklusi, koji odražavaju stvarno ponašanje u vožnji i uvjete na cesti. U tom smislu, glavni cilj ovog rada usmjeren je na sintezu i validaciju realističnih voznih ciklusa predstavljenih vremenskim profilima brzine i ubrzanja vozila te nagiba ceste, koji su izvedeni iz snimljenih GPS podataka praćenja vozila. U radu se prvo uspostavlja stohastički model voznih ciklusa temeljen na Markovljevim lancima, koji uključuje kombinacije diskretnih vrijednosti brzine vozila, akceleracije vozila, nagiba ceste i vremenske promjene nagiba ceste kao Markovljeva stanja. U tu svrhu prikupljen je bogat skup voznih ciklusa gradskih autobusa u gradu Dubrovniku. Zatim se slučajnim uzorkovanjem višedimenzionalne matrice prijelaznih vjerojatnosti (engl. Transition Probability Matrix, TPM) generira veliki skup sintetičkih voznih ciklusa. Kako bi se smanjio zahtjev za memorijom, a istovremeno poboljšala računalna učinkovitost, predlaže se programska implementacija TPM u obliku rijetke matrice temeljene na rječniku ključeva. K tome, razmatra se postupak uključivanja mase putnika u sintezu voznih ciklusa temeljen na događajima zaustavljanja vozila. Zagušenje prometa uzima se u obzir kroz tvorbu zasebnih TPM za svaku kategoriju zagušenosti prometa, koja se provodi klasteriranjem snimljenih voznih ciklusa s obzirom na uspostavljene kriterije zagušenja prometa. Za potrebe validacije sintetičkih voznih ciklusa predlaže se neuronska mreža koja za dani vozni ciklus predviđa potrošnju goriva. Kao podrška validaciji sintetičkih voznih ciklusa, uzimaju se u obzir brojne statističke značajke iz vremenske i frekvencijske domene, uključujući jedinstvene pokazatelje unakrsne korelacije brzine i ubrzanja vozila te nagiba ceste. Značaj svake nominirane statističke značajke i njezin utjecaj na potrošnju goriva raščlanjuje se pomoću linearne regresijske analize i LASSO (engl. Least Absolute Shrinkage and Selection Operator) metode odabira značajki. Za jednoznačnu, jednokriterijsku validaciju sintetičkih voznih ciklusa u odnosu na skup snimljenih voznih ciklusa predlaže se regresijski model koji uključuje samo nekoliko najrelevantnijih statističkih značajki kao ulaze i potrošnju goriva kao izlaz. Također se kao potencijalno daljnje unaprjeđenje ispituje metoda validacije voznih ciklusa temeljem višestrukih kriterija. Predloženi pristupi validacije temelje se na minimiziranju odstupanja statističkih značajki sintetičkih voznih ciklusa u odnosu na očekivane vrijednosti snimljenih voznih ciklusa. Konačno, u radu se predlažu deterministički i stohastički modeli za predviđanje brzine vozila na horizontu u budućnosti, a s tim povezanim i značajki voznih ciklusa relevantnih za potrebe modelskog prediktivnog upravljanja PHEV pogonom. Prediktivni modeli temelje se na višeslojnoj unaprijednoj neuronskoj mreži, koja se parametrira korištenjem podatka o trenutnoj poziciji vozila, trenutnoj brzini ili povijesti brzina vozila, dobu dana i dana u tjednu, a kao izlaz daje sekvencu brzina vozila na pomičnom vremenskom horizontu. Točnost predviđanja brzine vozila demonstrira se na izdvojenom skupu snimljenih voznih ciklusa.