MétaCan
Menu
Retour à la cohorte
Enregistrement W2728943345 · doi:10.17645/up.v2i2.937

Investigating the Potential of Ridesharing to Reduce Vehicle Emissions

2017· article· en· W2728943345 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueUrban Planning · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensOntario Tech University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacsGeorge Cedric Metcalf Charitable Foundation
Mots-clésTransport engineeringGreenhouse gasTraffic congestionTRIPS architectureFuel efficiencyPopulationPublic transportEnvironmental economicsBusinessEngineeringAutomotive engineeringEconomics

Résumé

récupéré en direct d'OpenAlex

As urban populations grow, cities need new strategies to maintain a good standard of living while enhancing services and infrastructure development. A key area for improving city operations and spatial layout is the transportation of people and goods. While conventional transportation systems (i.e., fossil fuel based) are struggling to serve mobility needs for growing populations, they also represent serious environmental threats. Alternative-fuel vehicles can reduce emissions that contribute to local air pollution and greenhouse gases as mobility needs grow. However, even if alternative-powered vehicles were widely employed, road congestion would still increase. This paper investigates ridesharing as a mobility option to reduce emissions (carbon, particulates and ozone) while accommodating growing transportation needs and reducing overall congestion. The potential of ridesharing to reduce carbon emissions from personal vehicles in Changsha, China, is examined by reviewing mobility patterns of approximately 8,900 privately-owned vehicles over two months. Big data analytics identify ridesharing potential among these drivers by grouping vehicles by their trajectory similarity. The approach includes five steps: data preprocessing, trip recognition, feature vector creation, similarity measurement and clustering. Potential reductions in vehicle emissions through ridesharing among a specific group of drivers are calculated and discussed. While the quantitative results of this analysis are specific to the population of Changsha, they provide useful insights for the potential of ridesharing to reduce vehicle emissions and the congestion expected to grow with mobility needs. Within the study area, ridesharing has the potential to reduce total kilometers driven by about 24% assuming a maximum distance between trips less than 10 kilometers, and schedule time less than 60 minutes. For a more conservative maximum trip distance of 2 kilometers and passenger schedule time of less than 40 minutes, the reductions in traveled kilometers could translate to the equivalent of approximately 4.0 tons CO2 emission reductions daily.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,811
Score d'incertitude au seuil0,262

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,032
Tête enseignante GPT0,277
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle