Comparing Driving Cycle Development Methods Based on Markov Chains
Notice bibliographique
Résumé
The transportation sector is a major contributor to greenhouse gas (GHG) emissions, accounting for 14% of global emissions in 2010 according to the United States Environmental Protection Agency. In Quebec, this share amounts to 43%, of which 80% is caused by road transport according to the MinistÉre de l’Environnement et de la Lutte contre les changements climatiques of QuÅbec. It is therefore essential to support the actions taken to reduce GHGs emissions from this sector and to quantify the impact of these actions. To do so, accurate and reliable emission models are needed. Driving cycles are defined as speed profiles over time and they are a key element of emission models. They represent driving behaviors specific to various road types in each region. The most widely used method to construct driving cycles is based on Markov chains and consists of concatenating small sections of speed profiles, called microtrips, following a transition matrix. Two of the main steps involved in the development of driving cycles are microtrip segmentation and microtrip classification. In this study, several combinations of segmentation and clustering methods are compared to generate the most reliable driving cycle. Results show that segmentation of microtrips with a fixed distance of 250 m and clustering of the microtrips by applying a principal component analysis on many key parameters related to their speed and acceleration provide the most accurate driving cycles.
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 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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».