Costs and Benefits of Electrifying and Automating Bus Transit Fleets
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
Diesel-powered, human-driven buses currently dominate public transit options in most U.S. cities, yet they produce health, environmental, and cost concerns. Emerging technologies may improve fleet operations by cost-effectively reducing emissions. This study analyzes both battery-electric buses and self-driving (autonomous) buses from both cost and qualitative perspectives, using the Capital Metropolitan Transportation Authority’s bus fleet in Austin, Texas. The study predicts battery-electric buses, including the required charging infrastructure, will become lifecycle cost-competitive in or before the year 2030 at existing U.S. fuel prices ($2.00/gallon), with the specific year depending on the actual rate of cost decline and the diesel bus purchase prices. Rising diesel prices would result in immediate cost savings before reaching $3.30 per gallon. Self-driving buses will reduce or eliminate the need for human drivers, one of the highest current operating costs of transit agencies. Finally, this study develops adoption schedules for these technologies. Recognizing bus lifespans and driver contracts, and assuming battery-electric bus adoption beginning in year-2020, cumulative break-even (neglecting extrinsic benefits, such as respiratory health) occurs somewhere between 2030 and 2037 depending on the rate of battery cost decline and diesel-bus purchase prices. This range changes to 2028 if self-driving technology is available for simultaneous adoption on new electric bus purchases beginning in 2020. The results inform fleet operators and manufacturers of the budgetary implications of converting a bus fleet to electric power, and what cost parameters allow electric buses to provide budgetary benefits over their diesel counterparts.
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 | 0,000 |
| 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