Investigating the Potential of Ridesharing to Reduce Vehicle Emissions
Notice bibliographique
Résumé
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».