Assessment of the Traffic Enforcement Strategies Impact on Emission Reduction and Air Quality
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
The World Health Organization (WHO) reported that globally 3.7 million deaths were attributable to ambient air pollution (AAP) in 2012. Traffic congestion is one of the significant sources of air pollutants Intelligent Transportation Systems (ITS) are advanced technologies that have been used widely in large cities. They have a potential impact on reducing traffic congestion and then improving environmental quality. Many countries have targeted urban policy traffic enforcement strategies that are ITS-based on improving traffic emission and air quality. Because each strategy has a different impact level, the strategy that positively impacts location and traffic conditions might negatively impact under different conditions. Also, the authorities that take the decision which strategies could be implemented. Therefore, this paper aims to evaluate the potential impact of traffic enforcement strategies on reducing traffic emissions and improving air quality. In our study, three typical traffic enforcement strategies were evaluated: a traffic management regulation for speed limit changes, route changing, and fleet composition changes. The impact of these strategies on air quality was evaluated through evaluating the traffic air quality changes brought by these strategies against a baseline (Base Case) scenario. The results indicate that the impact of these strategies on increasing environmental quality is not always positive. The reduction of CO was the highest in the speed restriction scenario (25.6%) than other scenarios. While reducing the reduction of PM10 was less in speed restriction scenario (25.6%) than other scenarios. The findings can help the decision makers implement the best strategy to reduce traffic emission under different situations.
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