Estimating Emissions from Static Traffic Models: Problems and Solutions
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.
Notice bibliographique
Résumé
In large urban areas, the estimation of vehicular traffic emissions is commonly based on the outputs of transport planning models, such as Static Traffic Assignment (STA) models. However, such models, being used in a strategic context, imply some important simplifications regarding the variation of traffic conditions, and their outputs are heavily aggregated in time. In addition, dynamic traffic flow phenomena, such as queue spillback, cannot be captured, leading to inaccurate modelling of congestion. As congestion is strongly correlated with increased emission rates, using STA may lead to unreliable emission estimations. The first objective of this paper is to identify the errors that STA models introduce into an emission estimation. Then, considering the type and the nature of the errors, our aim is to suggest potential solutions. According to our findings, the main errors are related to STA inability of accurately modelling the level and the location of congestion. For this reason, we suggest and evaluate the postprocessing of STA outputs through quasidynamic network loading. Then, we evaluate our suggested approach using the HBEFA emission factors and a 19 km long motorway segment in Stockholm as a case study. Although, in terms of total emissions, the differences compared to the simple static case are not so vital, the postprocessor performs better regarding the spatial distribution of emissions. Considering the location-specific effects of traffic emissions, the latter may lead to substantial improvements in applications of emission modelling such as dispersion, air quality, and exposure modelling.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle