Eco-Drive Technology, Human Factors, and Environmental and Economic Benefits
Notice bibliographique
Résumé
The objective of eco-drive technology is to reduce fuel consumption and resulting emissions using advances in communication and traffic control technologies with capability to support infrastructure-to-vehicle connection in a signalized network. On the human factors side, there is growing interest across the world in advising drivers to take eco-drive actions by effectively using the green phase of the signal cycle time to save fuel and reduce emissions. This paper describes a large-scale real-world research project in Ottawa (Ontario, Canada) on this subject. The technology and methods that support the green light optimized speed advisory (GLOSA) system were refined and all 1,178 traffic signals in the city were equipped to connect with a fleet of vehicles. Field study data were analyzed for speed trajectories, fuel consumption, and GLOSA compliance. Greenhouse emissions and fuel cost changes were computed. An anonymous questionnaire study investigated driver perception of the usefulness of the signal data displayed on an in-vehicle unit as advice on driving adjustment decisions made under prevailing traffic conditions. The over 65% compliance with GLOSA and the results of the driver questionnaire were mutually consistent. The fuel saving amounted to 7.6% but was adjusted to 5% because of uncertainties in daily vehicle travel. The reduction in carbon dioxide equivalent and fuel cost reported in the paper are based on a 5% adjustment. These results can be used for cost–benefit studies. Also, simulation-based research projects can verify their findings with the real-world experience reported in this paper.
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 | 0,001 | 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 | 0,001 |
| 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 ».