MétaCan
Menu
Retour à la cohorte
Enregistrement W3109674698 · doi:10.1145/3416012.3424632

Empirical Study and Analysis of the Impact of Traffic Flow Control at Road Intersections on Vehicle Energy Consumption

2020· article· en· W3109674698 sur OpenAlexaff
Dunhao Zhong, Peng Sun, Azzedine Boukerche

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle emissions and performance
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésEnergy consumptionAutomotive engineeringEfficient energy useFuel efficiencyControl (management)AssertionTraffic flow (computer networking)Computer scienceEnergy (signal processing)Consumption (sociology)CombustionEmpirical researchEnvironmental economicsEngineeringComputer securityElectrical engineering

Résumé

récupéré en direct d'OpenAlex

In modern society, vehicles have become an indispensable means of transportation to ensure people's travel and the circulation of social production materials and living materials. However, while bringing us convenience in life, with the increasing number of vehicles, the corresponding energy consumption and exhaust emission problems have also caused a lot of social wealth loss. Therefore, how to effectively improve the energy efficiency of vehicles to achieve the goal of energy-saving and emission reduction is one of the focuses of current academic and industrial circles. Different from the industrial sector, which mainly achieves energy saving and emission reduction by improving the mechanical performance of vehicles [such as increasing the thermal efficiency of internal combustion engines (ICEs)] or introducing new energy vehicles (such as electric vehicles), we have more choices in the academic world. Among them, through effective traffic signal control, the energy consumption of the vehicle can be improved by achieving a uniform speed of the vehicle as much as possible. We believe that the advantage of this method is that it can improve the energy efficiency of the vehicle within the system without updating the vehicle. In this article, we will prove this assertion and compare some state-of-the-art approaches through the form of an empirical study.

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 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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,179
Score d'incertitude au seuil0,277

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 Opus0,021
Tête enseignante GPT0,274
Écart entre enseignants0,253 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetVehicle emissions and performanceTravaux en français237 207